在此小插图中，我们将使用来自多个组织的样品分析一个基因表达数据集。我们将：下载公共数据集识别在两个组织中表达的基因运行富集分析，认识每个组织的表达曲线可视化组织表达曲线之间基于网络的关系
我们将使用BGEEDB正常组织表达的数据。在研究中，我们通常希望将正常人与一个或多个治疗或疾病组进行比较。因此，将其视为一个说明性示例。
＃加载ritan图书馆（Ritandata）图书馆（丽塔）＃安装BGEE软件包。go.db是依赖关系的依赖性，可能需要单独安装。为了（PKG在C（（'go.db'，，，，'bgeedb'，，，，'Biomart'）{如果（（呢（PKG％在％隆起（（安装。包装（）））{如果（（呢需求安第斯山脉（（“ Biocmanager”，，，，安静=真的））install.packages（（“ Biocmanager”）生物管理器::安装（PKG）}图书馆（PKG，字符=真的）}为了（PKG在C（（'tidySelect'，，，，'venn'，，，，'Magrittr'，，，，'ggplot2'，，，，'igraph'）{如果（（呢（PKG％在％隆起（（安装。包装（）））{install.packages（PKG）}图书馆（PKG，字符=真的）}＃设置BGEE查询并获取数据（这可能需要一些时间）bgee < -BGEE$新的（（物种=“ homo_sapiens”，，，，datatype =“ RNA_SEQ”，，，，释放=“ 13.2”）数据< -GetData（BGEE）e < -格式（bgee，数据[[[1]，，，，calltype =“当下”，，，，统计=“ rpkm”）＃使用：str（Samplenames（e）），str（featurenames（e）），str（phenodata（e））探索数据集桌子（（phtodata（e）@数据$natomical.entity.name）## ----------------------------------##在两组中获得表达tmp < -Exprs（e）[，phtodata（e）@数据$natomical.entity.name==“心”这是给予的我< -申请（TMP，1，，，，功能（X）{任何（（是（X）） }）expr_heart < -TMP [呢一世， ]tmp < -Exprs（e）[，phtodata（e）@数据$natomical.entity.name==“骨骼肌组织”这是给予的我< -申请（TMP，1，，，，功能（X）{任何（（是（X）） }）expr_skele < -TMP [呢一世， ]维恩::维恩（（列表（（心=隆起（expr_heart），骨骼=隆起（expr_skele）），cexil =1，，，，cexsn =1，，，，zcolor =“风格”）## ----------------------------------emembl < -Usemart（（“ emembl”，，，，数据集=“ hsapiens_gene_ensembl”，，，，“ http://aug2017.archive.ensembl.org”）＃版本90map_heart < -getBM（（属性=C（（'emembl_gene_id'，，，，'emembl_transcript_id'，，，，'hgnc_symbol'），过滤器='emembl_gene_id'，，，，值=隆起（expr_heart），mart =结合）map_skele < -getBM（（属性=C（（'emembl_gene_id'，，，，'emembl_transcript_id'，，，，'hgnc_symbol'），过滤器='emembl_gene_id'，，，，值=隆起（expr_skele），mart =结合）## ----------------------------------##与每个组织的顶部基因相关的功能##重要：这里报告的p值是观察性的，而不是推论。MH < -申请（expr_heart，1， 意思是 ）top_heart < -map_heart$hgnc_symbol [map_heart$emembl_gene_id％在％隆起（expr_heart）[MH>分位数（MH，，.975）]]％>％setdiff（。，，''）ms < -申请（expr_skele，1， 意思是 ）top_skele < -map_skele$hgnc_symbol [map_skele$emembl_gene_id％在％隆起（expr_skele）[MS>分位数（小姐，.975）]]％>％setdiff（。，，''）e < -term_enrichment_by_subset（（列表（（心=top_heart，骨骼=top_skele），资源='go_slim_pir'，，，，all_symbols =cached_coding_genes）阴谋（e [申请（e [，C（（3：4），，，1， 最大限度）> =12，]，，，cap =40，，，，label_size_y =8，，，，wrap_y_labels =错误的）## ----------------------------------##每个组织中的网络互动net_h < -network_overlap（top_heart，资源=C（（'ccsb'，，，，'DPPI'，，，，“汉曼特”））net_s < -network_overlap（top_skele，资源=C（（'ccsb'，，，，'DPPI'，，，，“汉曼特”））net2g < -功能（X）{边缘< -as.matrix（ X[，C（（1，，，，3）））g < -Igraph::make_undirected_graph（（C（（t（边缘））））返回（G）}g_h < -net2g（net_h）g_s < -net2g（net_s）g_dif < -Igraph::区别（g_h，g_s）g_int < -Igraph::路口（g_h，g_s）猫（（Sprintf（（'在表达的最高基因中，％d共享，％d也有所不同。'，，，，长度（（v（g_int）），长度（（v（g_dif）））））par（（3月=代表（（0，，，，4））阴谋（g_dif，vertex.size =2，，，，vertex.label =NA，，，，vertex.frame.Color ='白色的'，，，，布局=layout_nicely）