1.安装包
代码在 https://github.com/jmzeng1314/5years/blob/master/learn-R/tasks/3-r-20-codes.R
二.2、了解ExpressionSet对象，比如CLL包里面就有data(sCLLex) ，找到它包含的元素，提取其表达矩阵(使用exprs函数)，查看其大小
3、了解 str,head,help函数，作用于 第二步提取到的表达矩阵
suppressPackageStartupMessages(library(CLL))
data(sCLLex)
exprSet=exprs(sCLLex)
samples=sampleNames(sCLLex)
pdata=pData(sCLLex)
group_list=as.character(pdata[,2])
dim(exprSet)
head(exprSet)
help("exprSet")
class(exprSet)
4.4安装并了解hgu95av2.db包
BiocManager::install("hgu95av2.db")
library(hgu95av2.db)
ls("package:hgu95av2.db")
image.png
5.理解 head(toTable(hgu95av2SYMBOL)) 的用法,找到 TP53 基因对应的探针ID
toTable(hgu95av2SYMBOL)#显示基因探针与之对应的基因
对于TP53对应的探针采用三种方法
1，ids[which(ids$symbol=="TP53"),]
2，ids[grep("^TP53$"，ids$symbol),]
3， filter(ids,ids$symbol=="TP53")
7.找到那些不在 hgu95av2.db 包收录的对应着SYMBOL的探针。
e1<-exprSet[!rownames(exprSet) %in% ids$probe_id,]
chpro_id<-as.data.frame(row.names(e1))
8.过滤表达矩阵，删除那1165个没有对应基因名字的探针。
e1<-exprSet[rownames(exprSet) %in% ids$probe_id,]
e2<-exprSet[match(rownames(exprSet),ids$probe_id, nomatch = 0),]
9.整合表达矩阵，多个探针对应一个基因的情况下，只保留在所有样本里面平均表达量最大的那个探针
dat=exprSet[rownames(exprSet) %in% ids$probe_id,]
ids$median=apply(dat,1,median)#对dat每一行求median值
ids=ids[order(ids$symbol,ids$median,decreasing = T),]
ids=ids[!duplicated(ids$symbol),]
dat=dat[ids$probe_id,]
10.把过滤后的表达矩阵更改行名为基因的symbol，因为这个时候探针和基因是一对一关系了。
rownames(dat)<-ids$symbol
11.对第10步得到的表达矩阵进行探索，先画第一个样本的所有基因的表达量的boxplot,hist,density ， 然后画所有样本的 这些图
exprSet<-dat
exprSet_L=melt(exprSet)
colnames(exprSet_L)=c('probe','sample','value')
exprSet_L$group=rep(group_list,each=nrow(dat))
p=ggplot(exprSet_L,aes(x=sample,y=value,fill=group))+geom_boxplot()
print(p)
image.png
12.理解统计学指标mean,median,max,min,sd,var,mad并计算出每个基因在所有样本的这些统计学指标，最后按照mad值排序，取top 50 mad值的基因，得到列表。
这题就得用apply函数了。
e_mean = tail(sort(apply(exprSet,1,mean)),30)
e_median = tail(sort(apply(exprSet,1,median)), 30)
e_max =tail(sort(apply(exprSet,1,max)),30)
e_min =tail(sort(apply(exprSet,1,min)),30)
e_sd =tail(sort(apply(exprSet,1,sd)),30)
e_var =tail(sort(apply(exprSet,1,var)),30)
e_mad =tail(sort(apply(exprSet,1,mad)),30)
13.根据第12步骤得到top 50 mad值的基因列表来取表达矩阵的子集，并且热图可视化子表达矩阵。试试看其它5种热图的包的不同效果。
top50gene=tail(sort(apply(exprSet,1,mad)),50)
top50gene=as.data.frame(top50gene)
top50genelist=rownames(top50gene)
ct=scale(top50genelist,center=T,scale=F)
nmlztop50genelist=scale(ct,center=T,scale=T)
根据其他人的答案，要中心化和标准化，还不是很明白
14.取不同统计学指标mean,median,max,mean,sd,var,mad的各top50基因列表，使用UpSetR包来看他们之间的overlap情况。
暂时不会
15.第二步的基础上面提取CLL包里面的data(sCLLex) 数据对象的样本的表型数据
pd = pData(sCLLex)
group_list = as.character(pd[,2])
table(group_list)
16.对所有样本的表达矩阵进行聚类并且绘图，然后添加样本的临床表型数据信息(更改样本名)
out.dist=dist(t(exprSet),method='euclidean')
out.hclust=hclust(out.dist,method='complete')
plot(out.hclust)
image.png
17.对所有样本的表达矩阵进行PCA分析并且绘图，同样要添加表型信息
pc <- prcomp(t(exprSet),scale=TRUE)
pcx=data.frame(pc$x)
pcr=cbind(samples=rownames(pcx),group_list, pcx)
p=ggplot(pcr, aes(PC1, PC2))+geom_point(size=5, aes(color=group_list)) +#能最大反映样本差异性的两个成分（PC1、PC2）
geom_text(aes(label=samples),hjust=-0.1, vjust=-0.3)#label=samples可以加上样本名称
print(p)
18-20.根据表达矩阵及样本分组信息进行批量T检验，得到检验结果表格
目前功力不够，暂时还不会做