3．1定义ProteomeSet

我们选择了延伸eSet实现我们的ProteomeSet因为我们可以从中获利eSetS的方法和结构。因此,我们的ProteomeSet还将有表型和特征数据以及检索数据的方法。考虑到eSet的定义，我们应该加载它之前的定义ProteomeSet：

library(Biobase) setClass (Class = "ProteomeSet"， contains = "eSet"， prototype = prototype(new("VersionedBiobase"， versions = c(classVersion("eSet")， ProteomeSet = "1.0.0"))))

这ProteomeSet被定义为另一个eSet对象。如前所述，蛋白质组数据应该包含一些特定的特征。的setValidity函数定义了对象必须达到的有效要求。assayData的ProteomeSet对象应该有两个插槽来封装原始数据和修改数据(例如，LOD以下的值被LOD/2替换)。这些槽将被调用生而且普罗特,分别。ProteomeSet还应包含LOD和LOQ的信息。这些数据将从列中获得LoD。T而且LoD。B作为featureData。我们可以通过以下代码行引入这些需求:

setValidity("ProteomeSet"， function(object)){##检查对象在assayData msg <- validMsg(NULL, assayDataValidMembers(assayData(object)， c("prots"， "raw"))中有槽位'prots'和'raw')T’和‘LoD。B' in featureData msg <- validMsg(msg, ifelse(any(!c("LoD.T", "LoD.B") %in% fvarLabels(object)), "fData must contain columns 'LoD.T' and 'LoD.B'", FALSE)) if (is.null(msg)){ TRUE } else{ msg } })

在本小节中，我们介绍了扩展基于eSet．对更高级功能感兴趣的读者可以找到关于扩展的更多信息R类和扩展eset．

3.2加载蛋白质组数据

这里，我们创建了一个函数，它从文本文件加载蛋白质组数据，替换LOD以下和LOQ以上的值，并返回一个ProteomeSet利用可用的数据。修正检测极限一般定义如下:

1. 如果蛋白质的表达低于LOD，则用LOD/2代替。
2. 如果某个蛋白的表达量高于其LOQ，则用LOQ*1.5替换。

这个函数read_ldset将执行此任务。它需要四个参数:

• assayFile:(字符)蛋白质组测量文件的路径。
• phenoFile:(character)样本表现型文件的路径。
• featureFile:(character)特性注释文件的路径。
• 9月:(character)以上三个文件的字段分隔符。

这三个输入文件必须是TSV样式的(TSV:制表符分隔的文件)，并且必须包含一个头文件。assayFile而且phenoFile必须有一个名为样本使用唯一的示例id。featureFile必须有一个名为功能对于唯一特征id，它必须等于assayFile的列名称。此外,featureFile必须有两个列称为LoD。B而且LoD。T，对应LOD (检测下限)及定量订购单(检测上限)。

read_lds检查分析数据和特征数据中的特征名称是否相同。属性的两列是否为特征数据检测的局限性．在执行了两次检查之后，read_ldset用每个蛋白的最新表达水平创建基质。然后一个ProteomeSet，其中包含原始矩阵为生更新后的矩阵为普罗特．表型数据和特征注释也包括:

read_ldset <- function(assayFile, phenoFile, featureFile, sep="\t"){##加载将用于创建ProteomeSet adata的三个文件<- read.delim(assayFile, sep=sep, header=TRUE, row.names="sample") pdata <- read.delim(phenoFile, sep=sep, header=TRUE, row.names="sample") fdata <- read.delim(featureFile, sep=sep, header=TRUE, row.names="feature")rownames(fdata))) {stop("分析数据中的特征名称(列)不等于"，"特征数据中的特征名称(行).")}##/ ##检查特征数据中是否包含列LoD。B和LoD。Tif(sum(c("LoD.T", "LoD.B") %in% colnames(fdata)) != 2) { stop("Feature data must contain two columns labeled 'LoD.T' (top ", "limit of dectection) and 'LoD.B (bottom limit of dectection)") } ## / ## Perform the transformation of the protein level of expression low <- fdata[colnames(adata), "LoD.B"] up <- fdata[colnames(adata), "LoD.T"] names(low) <- names(up) <- rownames(fdata) faux <- function(x, low, up) { x[x < low] <- as.double(low / 2) x[x > up] <- as.double(up * 1.5) x } tadata <- mapply(FUN = faux, x = as.list(adata), low = as.list(low), up = as.list(up)) dimnames(tadata) <- dimnames(adata) ## / ## Create the ExpressionSet with the two matrices prot <- new("ProteomeSet", assayData = assayDataNew("environment", prots = t(tadata), raw = t(adata)), phenoData = AnnotatedDataFrame(pdata), featureData = AnnotatedDataFrame(fdata) ) ## / ## Check that the new ProteomeSet is valid validObject(prot) ## / return(prot) }

3．3延长MultiDataSet

到目前为止，我们已经开发了一个函数来定义一类新的对象来封装蛋白质组数据。在本节中，我们将展示如何添加ProteomeSet对象MultiDataSet．为此，我们将创建一个添加蛋白质的通用方法(add_prot)MultiDataSet及其实现add_eset．

该方法add_prot为MultiDataSet将接受两个论点:aMultiDataSet和一个ProteomeSet．根据S4的开发规则，提出了一种新的通用方法add_prot需要设置:

setGeneric("add_prot"， function(object, protSet, warnings = TRUE，…)

# #[1]“add_prot”

在定义中add_prot，我们可以看到这个函数的三个主要参数。对象是MultiDataSet我们将在哪里添加ProteomeSet．protSet是新的ProteomeSet这将被添加。最后,警告是指示是否显示警告的标志。

的实现add_prot．在签名中，我们指定第一个参数应该是aMultiDataSet第二个是ProteomeSet．如果将任何其他类传递给函数，则会返回一个错误。在函数的代码中，我们只看到两行:对的调用add_eset还有对象的返回。

library(MultiDataSet) setMethod(f = "add_prot"， signature = c("MultiDataSet"， "ProteomeSet")， definition = function(object, protSet, warnings = TRUE，…){##添加给定的ProteomeSet作为'蛋白质组'对象<- MultiDataSet::add_eset(object, protSet, dataset. data)。type = "proteome"， GRanges = NA，…)## / return(object)})

基本方法add_eset用于添加eSet派生类对MultiDataSet并接受几个参数。其中四个用于实现add_prot．如上所述，第一和第二是MultiDataSet对象，将添加蛋白质和ProteomeSet用蛋白质数据。第三,dataset.type，用于标记组学数据的类型add_prot就是增加MultiDataSet．这个参数设置为“蛋白质组学”在add_prot，“表情”在add_genexp而且“单核苷酸多态性在add_snps．第四个参数,农庄被设置为NA．该实参可以接受两种类型的值农庄对象的等价内容fData包括进ExpressionSet或NA如果没有基因组坐标可用于集合的特征。在本例中，由于我们研究的是蛋白质，所以没有给出基因组坐标。

3.4数据示例:向MultiDataSet对象添加Proteome数据

出于演示的目的，我们创建了三个tsv-dummy文件，它们将在以下代码中用于创建一个ProteomeSet使用read_ldset函数。这些文件可在稿件的补充材料中找到

##创建蛋白质数据的ProteomeSet ps <- read_ldset(assayFile="assay_data. ")tsv”,phenoFile = " pheno_data。tsv”,featureFile = " feature_data。tsv) ps

## ProteomeSet (storageMode: environment) ## assayData: 5个特性，33个样本##元素名称:prots, raw ##协议数据:none ##表型数据## sampleNames: sp001 sp002…sp035(33总)## varLabels:性别板套件## varMetadata: labelDescription ## featureData ## featureNames:脂联素CRP…13日。E (5 total) ## fvarLabels: LoD。T LoD。Bunit ## fvarMetadata: labelDescription ## experimentData: use 'experimentData(object)' ## Annotation:

创建的对象ps是一个ProteomeSet它包含两个元素叫做普罗特而且生．此外,ps的特征数据包含两个列，称为LoD。B而且LoD。T．

现在蛋白质组数据已经加载并存储在ProteomeSet，我们可以将它添加到一个新的MultiDataSet．MultiDataSet可以使用构造函数创建对象createMultiDataSet．然后该方法add_prot是用来包括蛋白质组数据到医学博士：

md <- createMultiDataSet() md <- add_prot(md, ps)

该方法的名字的MultiDataSet控件中存储的数据集MultiDataSet．MultiDataSet存储按其数据类型调用的数据集。

名(md)

# #[1]“蛋白质组学”

最后,显示对象提供与存储在对象中的相关的更多信息MultiDataSet：

医学博士

## MultiDataSet类的对象assayData: 1 elements ##。蛋白质组学:5个特征，33个样本##。featureData: # #。蛋白质组:5行，3 cols (LoD。T,…，LoD。B) ## . rowRanges: ## . proteome: NO ## . phenoData: ## . proteome: 33 samples, 4 cols (gender, ..., kit)

该集合的名称见(蛋白质组)、蛋白质数量(特征数据中的5行)、样本数量(苯酚数据中的33个样本)和，因为没有农庄提供了,rowRanges是没有．