在过去的十年中,有几种方法解决的挑战,从基因表达数据重构基因调控网络。一些论文和评估不同网络推理方法相比依靠模拟数据。
这是一个新的比较,评估不同的方法在high-heterogeneity数据的情况下可以揭示不同网络类型的专门化的方法和数据。
这个包允许重复比较不同网络推理算法只有一行代码。
这个包可以复制这种比较不同网络之间的推理算法只有一行代码。
玩具的例子主要指标:
# #加载所需的包:grndata
top20。aupr < -netbenchmark(方法=“所有”,datasources.names =“玩具”,local.noise =20.,global.noise =10,noiseType =c(“正常”,“对数正态”),数据集。num =2,实验=40,种子=1422976420,verbose =假)
# #警告netbenchmark(方法=“所有”,datasources.names =“玩具”,当地。噪音= 20,:指定数量的实验和# #数据集在比原创的实验数据源:# #玩具,将使用放回抽样
# #(当地)估计错误发现率(部分相关性):# #估计(本地)错误发现率相关性(部分):
返回列表的第一个元素\ (AUPR_ {20} \):
# # aracne起源实验。包装c3net。包装clr。包装GeneNet。包装玩具48 # # 1 0.1396479 0.09855063 0.1587498 0.05371782 # # 2 35 0.1013709 0.07358528 0.1260297 - 0.11244352 # # Genie3玩具。包装mrnet。包装mutrank。包装mrnetb。包装pcit。包装zscore。用# # 1 0.1552356 0.1689863 0.08582062 0.1815839 0.1680160 - 0.03004052 # # 2 0.1573182 0.1260915 0.08715210 0.03077818 0.1368010 0.1556404 0.02381227 # #兰德# # 1 # # 2 0.01840262
包提供了一种简便的方法来比较新的技术
先进的和未来做出新的不同的基准。
首先,定义包装器函数:
注意,包装器函数返回一个矩阵的加权网络的邻接矩阵算法和推断的列和行命名。
评估5次这两个简单的推理方法与syntren300数据源:
res < -netbenchmark(datasources.names =“syntren300”,方法=c(“Spearmancor”,“Pearsoncor”),verbose =假)aupr < -res [[1]](,- - - - - -(1:2)]
的箱线图\ (AUPR_ {20} \)结果:
情节Precision-Recall均值曲线:
公关< -res [[5]][[1]]坳< -彩虹(3)情节(公关美元矩形(,1),公关美元(之前,1),类型=“l”,lwd =3,坳=坳(1),xlab =“回忆”起,ylab =“精度”,主要=“Syntren300”,xlim =c(0,1),ylim =c(0,1))行(公关美元矩形(,2),公关美元(之前,2),类型=“l”,lwd =3,坳=坳(2])行(公关美元矩形(,3),公关美元(之前,3),类型=“l”,lwd =3,坳=坳(3])传说(“topright”,插图=。05年,title =“方法”,colnames(公关美元rec),填补=上校)
我们也可以比较这两个简单的推理方法与快速网络推理算法使用syntren300数据源:
comp < -netbenchmark(datasources.names =“syntren300”,方法=c(“all.fast”,“Spearmancor”,“Pearsoncor”),verbose =假)
# #(当地)估计错误发现率(部分相关性):# #估计(本地)错误发现率(部分相关性):# #估计(本地)错误发现率(部分相关性):# #估计(本地)错误发现率(部分相关性):# #估计(本地)错误发现率相关性(部分):
做一个箱线图\ (AUPR_ {20} \)结果:
#让这个名字看起来prety图书馆(“工具”)colnames(aupr) < -酸式焦磷酸钠(colnames(file_path_sans_ext aupr))箱线图(aupr主要=“Syntren300”,ylab =表达式(“AUPR”(20.)))