GAPGOM简介

ID的支持

从v0.2.7起，所有AnnotationDbi应该支持id。但是，我们建议使用EntrezID这是因为这是这个包和其他包中最受支持的ID。如果发现ID支持方面的问题，请在包存储库中通知此问题。如果您希望(或必须)手动转换id，则可以使用BiomaRt推荐使用软件包。然而，将id转换为其他类型是有损耗的，并不总是能很好地转换。

表达式数据(FANTOM5)

到目前为止，这个包有一个用于表达式数据的主数据集接口;Fantom5数据集。对于其他数据集，anExpressionSet必须手动制作，如本章后面所述。有一些帮助函数可以使这些数据可用。Fantom5数据集仅适用于人类和小鼠基因组。以下是辅助函数/接口的例子;

#下载fantom5数据文件fantom_file < -fantom_download（“。/”，生物=“鼠标”，noprompt =真正的）#保存文件名#加载文件(如果一次性执行所有操作，则使用fantom_file变量)ft5 < -fantom_load_raw（”。/ mm9.cage_peak_phase1and2combined_tpm_ann.osc.txt”，verbose =真正的）#删除fantom5数据的前两行(这是独立的统计数据，#我们只需要表达式值)ft5＄df < -ft5＄df (3.：nrow(ft5＄df),)#将原始fantom表转换为ExpressionSetexpset < -fantom_to_expset(ft5verbose =真正的）

请注意，在转换为ExpressionSet就这样!

手动指定ExpressionSet

由于现在加载表达式数据有一定的限制，这一段将描述如何将表达式数据转换为ExpressionSet对象。我们将给出一个使用随机选择的表达式值和id的示例。在某些情况下，如果您想要特定的东西，这样定义它实际上会更好(对进入对象的额外数据有更多的控制/包之间更好的互操作性)。

的最低要求ExpressionSet；

• 表达式的值
• 特定类型的唯一id。AnnotationDbi键是目前唯一支持的id。

每一行表达式值都应该有相应的id, id类型作为列名。

随机表达式值生成;

#选择x个随机idx_entries < -1000go_data < -GAPGOM：：set_go_data（“人”，“英国石油公司”，computeIC =假）#>加载所需包:org.Hs.eg.db#>加载所需的包:AnnotationDbi加载所需的包:stats4#>加载所需的包:BiocGenerics# >#>附加包:BiocGenerics以下对象从“package:stats”中被屏蔽:# >#> IQR, mad, sd, var, xtabs下面的对象从'package:base'中被屏蔽:# >Filter, Find, Map, Position, Reduce, anyduplicate，追加#> as.data.frame, basename, cbind, colnames, dirname, do.call，#> duplicate, eval, evalq, get, grep, grepl, intersect, is.unsorted，lapply, mapply, match, mget, order, paste, pmax, pmax.int, pmin，pmin.int, rank, rbind, rownames, sapply, setdiff, sort, table，#> tapply, union, unique, unsplit, which。马克斯,which.min#>加载所需的包:Biobase欢迎来到Bioconductor# >小插图包含介绍材料;视图与# > ' browseVignettes()”。要引用Bioconductor，请参见#> 'citation("Biobase")'，对于软件包'citation("pkgname")'。#>加载所需的包:伊朗加载所需的包:S4Vectors# >#>加载包:'S4Vectors'下面的对象从'package:base'中被屏蔽:# >#> I，展开。网格,unname#>准备基因GO映射数据…random_ids < -独特的（样本(go_data@geneAnno＄ENTREZID, x_entries))#并只保留#暗金物品#创建通用数据帧。表达式< -data.frame(random_ids)colnames(表达式)< -“ENTREZID”表达式＄ID# >零# n个表达式值，这取决于出现的惟一id的数量expressionvalues < -腹肌（rnorm（长度(random_ids)＊6）)＊x_entries表达式[,2：7) < -expressionvalues头(表达式)#> entrezid v2 v3 v4 v5 v6 v7#> 1 56127 1027.1873 497.3245 3461.4253 464.7037 489.6280 44.32688#> 2 3975 540.7969 814.8878 482.1535 705.6733 566.3916 865.47153#> 3 285672 732.5895 324.3727 669.1559 392.7910 743.3972 639.94694#> 4 79871 339.5573 1062.8599 1625.3913 1259.5608 164.5612 1361.73102#> 5 9353 183.6952 1444.1870 1187.6101 716.0709 1598.7571 485.16822#> 6 84527 322.1536 964.9530 1622.6438 1717.0781 1057.2547 44.47758

将表达式数据帧转换为表达式集;

expression_matrix < -as.matrix(表达式,2：ncol(表达式)])rownames(expression_matrix) < -表达式＄ENTREZIDfeaturedat < -as.data.frame(表达式＄ENTREZID)#和除表达式值之外的所有东西(最好你甚至不需要在这里包含id本身!)rownames(featuredat) < -表达式＄ENTREZID#，因为它们将是行名。expset < -ExpressionSet(expression_matrixfeatureData =新（“AnnotatedDataFrame”，data =featuredat))#查看它的结构;头(expset)#> ExpressionSet (storageMode: lockedEnvironment)#> assayData: 6个特征，6个样本#>元素名#>协议数据:无#>表型数据:无# > featureData#> featureNames: 56127 3975…84527(共6个)#> fvarLabels:表达式$ENTREZID#> fvarMetadata: labelDescription使用'experimentData(object)'# >注释:头（assayData(expset) [[“exprs”]])存储表达式值的地方。#> v2 v3 v4 v5 v6 v7#> 56127 1027.1873 497.3245 3461.4253 464.7037 489.6280 44.32688#> 3975 540.7969 814.8878 482.1535 705.6733 566.3916 865.47153#> 285672 732.5895 324.3727 669.1559 392.7910 743.3972 639.94694#> 79871 339.5573 1062.8599 1625.3913 1259.5608 164.5612 1361.73102#> 9353 183.6952 1444.1870 1187.6101 716.0709 1598.7571 485.16822#> 84527 322.1536 964.9530 1622.6438 1717.0781 1057.2547 44.47758头（pData（featureData(expset)))#存储其他信息的位置。# >表达式ENTREZID美元#> 56127 56127#> 3975 3975#> 285672 285672#> 79871 79871#> 9353 9353#> 84527 84527

背景

LNCRNA2GOA(长非编码RNA GO注释)或expression_prediction ()采用多种方法/措施确定表达模式相似的相似基因;皮尔森，斯皮尔曼，肯德尔，水列夫而且费雪．它计算给定查询基因的表达式值集之间的得分。这些分数被用来识别富集分析的基因，在返回之前将按显著性排序。方法还可以找到类似的表达式模式结合方法。到目前为止，Sobolev和Fisher指标是这个包中唯一的(至少在这种类型的分析中)，所有其他的都是R和()函数。新方法的细节描述如下(引自论文[1]，参考文献编辑)。

例子

#默认数据集的例子，看一下数据文档#来充分掌握过滤器的制造过程# ExpressionSet)#保留所有蛋白质编码基因(用于注释)filter_vector < -fData(GAPGOM：：expset) ((fData(GAPGOM：：expset)＄信息熵= =“protein_coding”),)＄GeneID# set gid并运行。gid < -“ENSG00000228630”结果< -GAPGOM：：expression_prediction(gid,GAPGOM：：expset,“人”，“英国石油公司”，id_translation_df =GAPGOM：：id_translation_df,id_select_vector =filter_vector,方法=“结合”，verbose =真正的，filter_pvals =真正的）#>查找围棋术语…计算时间(秒):# > 0.2059645652771kable(结果)% > %kable_styling（）% > %scroll_box（宽度=“100%”，身高=“500 px”）

#默认数据集的例子，看一下数据文档#来充分掌握过滤器的制造过程# ExpressionSet)#设置一个你想要寻找相似点的任意基因。(第5行#)gid < -“ENSG00000228630”结果< -GAPGOM：：expression_semantic_scoring(gid,GAPGOM：：expset)kable(结果1：One hundred.,)% > %kable_styling（）% > %scroll_box（宽度=“100%”，身高=“500 px”）

背景

TopoICSim或拓扑信息内容相似度(TopoICSim)，是一种测量给定GO DAG树的信息内容和拓扑结构的两个GO术语之间的相似度的方法。与其他类似的衡量标准不同，它认为两者都是最短的而且两个项之间的最长DAG路径，而不仅仅是最长或最短路径。沿着GO DAG树的路径用两个项之间的信息内容进行加权。

对于信息内容，使用以下公式;

\(IC(t) = -log(p(t))\)

(1）

在哪里\ \ (t)是GO术语。该IC由GOSemSim计算，并基于特定go项的频率(\ \ (p (t))）.

GO树可以被描述为三元组\ \(λ= (G \σ,R) \),在那里\ (G \)是GO项的集合，σ\ (\ \)是GO术语之间的层次关系集(主要定义为is_a或part_of)[5]，和\ (R \)是三元连体\((t_i, t_j， \xi)\),在那里G \ \ (t_i、t_j \)而且而且\ (t_i \ xi t_j \)．的关系是一种导向的亲子关系。GO rDAG的顶层节点是根节点，它是MF、BP和CC节点的直接父节点。这些节点称为特定于方面的根，我们在下面将它们称为根。一个路径\ (P \)的长度\ (n \)在两项之间\ (t_i、t_j \)定义如(23)所示。

\ \ (P: G乘以G \ \ G \乘以G \点乘以G = G ^ {n + 1}; \ \ P (t_i、t_j) = (t_i、t_j + 1 \点,t_j) \)

(23）

在这里给所有\ \ (\)\ (\)，\ (\ s < j \)，\(σ\ \ xi_s \存在于\ \)，\ \ tau_s存在(\ \ R \)，\ (r_s = (t_s t_ {s + 1},识别\ xi_s) \)．因为\ (G \)是rDAG，两个项之间可能有多条路径，所以我们表示两个项之间的所有路径\ (t_i、t_j \)根据(24)。

\ (\ mathcal{一}(t_i、t_j) = \暗流{P}{} \杯P (t_i、t_j) \)

(24）

我们使用逆信息内容(Inverse Information Content, IIC)值来定义两个给定项的最短和最长路径\ (t_i、t_j \)如图25-27所示。

\ (SP (t_i、t_j) = \暗流中P {\ (t_i、t_j)} {argminIIC (P)} \)

(25）

\ (LP (t_i、t_j) = \暗流中P {\ (t_i、t_j)} {argmaxIIC (P)} \)

（26)

\(IIC(P) = \sum_{t\in P}\frac{1}{IC(t)}\)

(27）

采用标准定义进行计算\ \ (IC (t))如(28)

\(IC(t) = -log\frac{G_t}{G_\mathrm{Tot}}\)

(28)

在这里\ (G_t \)基因的数量是用这个术语标注的吗\ \ (t)而且\ (G_ \ mathrm{合计}\)是基因的总数。的分布集成电路是不是在制服rDAG，所以有可能有两条长度不同但长度相同的路径IICs.为了克服这个问题，我们根据路径的长度对路径进行加权，因此(25)和(26)中的定义可以根据(29)和(30)进行更新。

\ (wSP (t_i、t_j) = SP (t_i、t_j) len (P) \ \倍)

(29)

\巨头((t_i t_j) = LP (t_i、t_j) len (P) \ \倍)

(30）

现在我们\ (ComAnc (t_i、t_j) \)是两个给定项的所有共同祖先的集合\ ((t_i、t_j) \)．首先，我们将析统共同祖先定义为\ (ComAnc (t_i、t_j) \)如(31)。

\ (DisComAnc (t_i、t_j) = \ {x \ ComAnc中期(t_i、t_j) \ P (x,根)\帽C (x) = \ varnothing \} \)

(31)

在这里\ (P (x,根)\)是介于\ \ (x)而且\(根\)而且\ (C (x) \)是否设置所有的直接子代\ \ (x)．为每个分离的共同祖先\ \ (x)在\ (DisComAnc (t_i、t_j) \)，我们定义两者之间的距离\ (t_i、t_j \)之间的加权最短路径之比\ (t_i、t_j \)它从\ \ (x)到两者之间的加权最长路径\ \ (x)而且\(根\)，如(32-33)。

\ (D (t_i t_j x) = \压裂{wSP (t_i、t_j x)}{巨头(x,根)}\)

（32)

\(wSP(t_i,t_j,x) = wSP(t_i,x)+wSP(t_j,x)\)

（33）

现在是两项的距离\ (t_i、t_j \)可根据(34)定义。

\ (D (t_i、t_j) = \暗流{x \ DisComAnc (t_i、t_j)}{分钟}D (t_i、t_j x) \)

(34)

我们将距离值转换为\ \(压裂{反正切()。}{\π/ 2}\)函数，以及两个GO项的测度\ (t_i \)而且\ (t_j \)定义如(35)所示。

\ (S (t_i、t_j) = 1 - \压裂{Arcatan (D (t_i、t_j))}{\π/ 2}\)

(35）

请注意,\(根\)是rDAG的三个第一级中的一个。因此,如果\ (DisComAnc (t_i、t_j) = \{根\}\)然后\ (D (t_i、t_j) = \ infty \)而且\ (S (t_i、t_j) = 0 \)．如果\(t_i = t_j\)然后\ (D (t_i、t_j) = 0 \)而且\ (S (t_i、t_j) = 1 \)．最后让\ (S = [s_ {ij}] _ {n \乘以m} \)是两个给定栅栏或基因产物的相似矩阵\ (g1, g2 \)带有GO项\ (t_{11}识别、t_{12}识别\点,t_ {1 n} \)识别而且\ (t_{21}识别、t_{12}识别\点,t_ {2 m} \)识别在哪里\ (s_ {ij} \)GO术语之间的相似性是什么\ (t_我{1}\识别)而且\ (t_ {2 j} \识别)．我们用了rcmax计算相似度的方法\ (g1, g2 \)，定义见(36)。

\(\{对齐}开始TopoICSim (g_1里面,g_2) & = rcmax (S) \ \ & = rcmax \离开(\压裂{\ sum_ {i = 1} ^ n \暗流{j} {maxs_ {ij}}} {n} \压裂{\ sum_ {i = 1} ^ m \暗流{我}{maxs_ {ij}}} {m} \) \{对齐}\结束)

（36)

我们也测试了其他方法的相似矩阵，特别是平均和BMA，但一般\ (rcmax \)给出了TopoICSim的最佳性能(数据未显示)。

除此之外，还有一个针对基因集级别的算法，你可以用(13)和(14)计算兴趣集/内集的相似性。或者只用R的意思是在得到的矩阵上。

\ (IntraSetSim (S_k) = \压裂{\ sum_ {i = 1} ^ n \ sum_ {j = 1} ^ mSim (g_ {ki}, g_ {kj})} {n ^ 2} \)

（13）

\ (InterSetSim (S_k) = \压裂{\ sum_ {i = 1} ^ n \ sum_ {j = 1} ^ mSim (g_ {ki}, g_ {kj})} {n \乘以m} \)

(14）

(13)在基因集与自身比较的特定情况下等于(14)。

所有公式/解释均引用于论文(参考文献编辑)[6]。

例子

下面的示例使用家族基因集测量集内相似度。对于单基因，EntrezID比较了218和501。

结果< -GAPGOM：：topo_ic_sim_genes（“人”，“曼氏金融”，“218”，“501”，progress_bar =假）kable(结果＄AllGoPairs)% > %kable_styling（）% > %scroll_box（宽度=“100%”，身高=“500 px”）

结果＄GeneSim#> [1] 0.975# genelist模式list1 < -c（“126133”，“221”，“218”，“216”，“8854”，“220”，“219”，“160428”，“224”，“222”，“8659”，“501”，“64577”，“223”，“217”，“4329”，“10840”，“7915”，“5832”）由于r检查时间的限制，只使用基因列表的一部分结果< -GAPGOM：：topo_ic_sim_genes（“人”，“曼氏金融”, list1 [1：3.], list1 [1：3.),progress_bar =假）kable(结果＄AllGoPairs)% > %kable_styling（）% > %scroll_box（宽度=“100%”，身高=“500 px”）

kable(结果＄GeneSim)% > %kable_styling（）% > %scroll_box（宽度=“100%”，身高=“500 px”）

的意思是(结果＄GeneSim)#> [1] 0.96

这里我们可以看到TopoICsim的输出，它是一个包含2项的列表;

• AllGoPairs

的\ (n \乘以m \)GO项的矩阵，包括它们的相似性。有些值可能是NA，因为这些是不出现的对。你可以添加AllGoPairs到下次运行TopoICSim时的参数，以便可能加快计算速度(它们将被用作预先计算的分数，以填充发生的对)。

• GeneSim

基因/基因集的相似性取决于你的输入。可以是一个数字，也可以是一个显示所有可能组合的矩阵。\ (\ \)基因集矩阵的均值表示了内集/兴趣集的相似性。

自定义< -列表（cus1 =c（“去:0016787”，“去:0042802”，“去:0005524”）)结果< -GAPGOM：：topo_ic_sim_genes（“人”，“曼氏金融”，“218”，“501”，custom_genes1 =自定义,滴=零，verbose =真正的，progress_bar =假）#准备topoICSim数据…#>准备术语数据#>准备基因GO映射数据…#>准备IC数据…准备基因/基因集数据…开始计算所有的围棋。#过滤预计算值…解决共同的祖先…# >完成了!解决分离的共同祖先…# >完成了!计算短路径…# >完成了!计算长路径…# >完成了!#>合并到all_go_pair…# >完成了!合并基因(集)结果…# >完成了!计算时间(秒):# > 9.28031349182129结果# > GeneSim美元# > 501#> cus1 0.261#> 218 0.975# ># > AllGoPairs美元#> go:0004029 go:0004030 go:0005515 go:0008106 go:0018479 go:0004043#> go:0004029 1.000 0.793 na 0.095 0.870 0.808#> go:0004030 0.793 1.000 na na na 0.903#> go:0005515 na na 1.000 na na na#> go:0008106 0.095 na na 1.000 na 0.122#> go:0018479 0.870 na na na 1.000 0.718#> go:0004043 0.808 0.903 na 0.122 0.718 1.000#> go:0008802 0.865 0.693 na 0.080 0.954 0.711#> go:0043878 0.802 0.899 na 0.121 0.711 0.910#> go:0016787 0.036 0.046 na 0.034 0.029 0.047#> go:0042802 na na 0.101 na na na#> go:0005524 na na 0.061 na na na#> go:0008802 go:0043878 go:0016787 go:0042802 go:0005524#> go:0004029 0.865 0.802 0.036 na na#> go:0004030 0.693 0.899 0.046 na na#> go:0005515 na na na 0.101 0.061#> go:0008106 0.080 0.121 0.034 na na#> go:0018479 0.954 0.711 0.029 na na#> go:0004043 0.711 0.910 0.047 na na#> go:0008802 1.000 0.704 0.029 na na#> go:0043878 0.704 1.000 0.047 na na#> go:0016787 0.029 0.047 1.000 na na#> go:0042802 na na na 1.000 na#> go:0005524 na na na na 1.000