介绍NanoStringRCCSet类

介绍

NanostringNCTools包使独立分析NanoString nCounter数据(例如RCC / RLF数据)在R。

在这个描述,我们将:

创建一个Nanostring数据对象(例如NanoStringRCCSet)集成RCC + RLF +注释数据学会总结,子集,将数据对象执行和可视化质量控制评估的数据进行数据标准化下游分析

NanoStringRCCSet是继承自Biobase ExpressionSet类。NanoStringRCCSet类被设计用来封装数据和相应的方法生成Nanostring RCC文件从Nanostring nCounter平台。

装包

第一步使用NanoStringNCTools包是安装包和加载它允许用户访问NanoStringRCCSet类。

# devtools:: install_github (“Nanostring-Biostats / NanoStringNCTools”,# = TRUE, ref = "大师")图书馆(NanoStringNCTools)

那么你还需要加载为装饰图案绘制一些额外的包。

图书馆(ggthemes)图书馆(ggiraph)图书馆(pheatmap)

构建一个从.RCC NanoStringRCCSet文件

下一步是加载RCC, RLF和示例使用readNanoStringRccSet注释文件功能。你可以节省RCC, RLF和样例注释文件在一个文件夹,便于访问和设置这个位置作为datadir。

#设置文件位置datadir < -执行(“extdata”,“3 d_bio_example_data”,包=“NanoStringNCTools”)#读在RCC文件rcc_files < -dir(datadir模式=“SKMEL *。\ \.RCC $”,full.names =真正的)#读RLF文件rlf_file < -file.path(datadir“3 d_solidtumor_sig.rlf”)#读注释示例sample_annotation < -file.path(datadir“3 d_solidtumor_phenodata.csv”)#所有输入文件加载到demoData (S4对象)demoData < -readNanoStringRccSet(rcc_filesrlfFile =rlf_file,phenoDataFile =sample_annotation)类(demoData)# > [1]“NanoStringRccSet”# > attr(“包”)# > [1]“NanoStringNCTools”isS4(demoData)# >[1]真的是(demoData“ExpressionSet”)# >[1]真的demoData# > NanoStringRccSet (storageMode lockedEnvironment):# > assayData: 397特性,12个样品# >元素名称:exprs# > protocolData# > sampleNames: SKMEL2-DMSO-8h-R1_04。RCC SKMEL2-DMSO-8h-R2_04。碾压混凝土……# > SKMEL28-VEM-8h-R3_10.RCC(12total)# > varLabels: FileVersion SoftwareVersion……CartridgeBarcode (17# >总)# > varMetadata: labelDescription# > phenoData# > sampleNames: SKMEL2-DMSO-8h-R1_04。RCC SKMEL2-DMSO-8h-R2_04。碾压混凝土……# > SKMEL28-VEM-8h-R3_10.RCC(12total)# > varLabels: BRAFGenotype治疗# > varMetadata: labelDescription# > featureData# > featureNames: Endogenous_TP53_NM_000546.2# > Endogenous_IL22RA2_NM_181310.1…SNV_REF_PIK3CA Ref(外显子# > 10)| hg19 | + | chr3:178936060 - 178936141 _nref_00032.1 (397)# > fvarLabels: CodeClass GeneName……BarcodeComments (10)# > fvarMetadata: labelDescription# > experimentData:使用“experimentData(对象)3 # >注释:d_solidtumor_sig# >签名:没有

访问和分配NanoStringRCCSet数据成员

加载的所有输入文件后,存储在一个称为demoData S4对象。与相关的访问器ExpressionSet类,NanoStringRCCSet对象有独特的额外的分配和访问器方法faciliting常用方法nCounter数据视图和相关标签。然后,您可以将其保存到一个csv文件如果你需要。

• dimLabels槽提供列名作为标签的特性和样品安排情节。
  
• 签名槽包含签名的定义
  
• experimentData槽存储结构化信息的实验。
  
• assayData槽存储表达式的值。它可以存储muultiple数矩阵。
  
• phenoData槽商店注释的数据样本。您可以添加这些注释文件中的列。
  
• featureData槽存储信息的目标或调查小组使用。
  
• 注释槽商店的名称RLF数据。
  
• protocolData槽商店试验运行的信息。这些信息从RCC读取文件加上注释中指定列protocolData论点。

#访问的前两行数矩阵头(assayData(demoData) [[“exprs”]],2)# > SKMEL2-DMSO-8h-R1_04.RCC# > Endogenous_TP53_NM_000546.2 347# > Endogenous_IL22RA2_NM_181310.1 5# > SKMEL2-DMSO-8h-R2_04.RCC# > Endogenous_TP53_NM_000546.2 601# > Endogenous_IL22RA2_NM_181310.1 9# > SKMEL2-DMSO-8h-R3_04。RCC SKMEL2-VEM-8h-R1_10.RCC# > Endogenous_TP53_NM_000546.2 270 588# > Endogenous_IL22RA2_NM_181310.1 2 10# > SKMEL2-VEM-8h-R2_10。RCC SKMEL2-VEM-8h-R3_10.RCC# > Endogenous_TP53_NM_000546.2 810 519# > Endogenous_IL22RA2_NM_181310.1 3 2# > SKMEL28-DMSO-8h-R1_04.RCC# > Endogenous_TP53_NM_000546.2 609# > Endogenous_IL22RA2_NM_181310.1 8# > SKMEL28-DMSO-8h-R2_04.RCC# > Endogenous_TP53_NM_000546.2 722# > Endogenous_IL22RA2_NM_181310.1 5# > SKMEL28-DMSO-8h-R3_04.RCC# > Endogenous_TP53_NM_000546.2 608# > Endogenous_IL22RA2_NM_181310.1 1# > SKMEL28-VEM-8h-R1_10.RCC# > Endogenous_TP53_NM_000546.2 603# > Endogenous_IL22RA2_NM_181310.1 11# > SKMEL28-VEM-8h-R2_10.RCC# > Endogenous_TP53_NM_000546.2 618# > Endogenous_IL22RA2_NM_181310.1 10# > SKMEL28-VEM-8h-R3_10.RCC# > Endogenous_TP53_NM_000546.2 519# > Endogenous_IL22RA2_NM_181310.1 7#把的前两行数据的访问头(pData(demoData),2)# >治疗BRAFGenotype# > SKMEL2-DMSO-8h-R1_04.RCCDMSO wt/wt# > SKMEL2-DMSO-8h-R2_04.RCCDMSO wt/wt#访问协议数据protocolData(demoData)# >类“AnnotatedDataFrame”的一个对象# > sampleNames: SKMEL2-DMSO-8h-R1_04。RCC SKMEL2-DMSO-8h-R2_04。碾压混凝土……# > SKMEL28-VEM-8h-R3_10.RCC(12total)# > varLabels: FileVersion SoftwareVersion……CartridgeBarcode (17# >总)# > varMetadata: labelDescription#访问调查的前三行信息fData(demoData) [1:3,)# > CodeClass GeneName入世IsControl# > Endogenous_TP53_NM_000546.2内生TP53 NM_000546.2假# > Endogenous_IL22RA2_NM_181310.1内生IL22RA2 NM_181310.1假# > Endogenous_IL2_NM_000586.2内生IL2 NM_000586.2假# > ControlConc# > Endogenous_TP53_NM_000546.2 NA# > Endogenous_IL22RA2_NM_181310.1 NA# > Endogenous_IL2_NM_000586.2 NA# > TargetSeq# > Endogenous_TP53_NM_000546.2 GGGGAGCAGGGCTCACTCCAGCCACCTGAAGTCCAAAAAGGGTCAGTCTACCTCCCGCCATAAAAAACTCATGTTCAAGACAGAAGGGCCTGACTCAGAC# > Endogenous_IL22RA2_NM_181310.1 CACTTGCAACCATGATGCCTAAACATTGCTTTCTAGGCTTCCTCATCAGTTTCTTCCTTACTGGTGTAGCAGGAACTCAGTCAACGCATGAGTCTCTGAA# > Endogenous_IL2_NM_000586.2 AGGATGCAACTCCTGTCTTGCATTGCACTAAGTCTTGCACTTGTCACAAACAGTGCACCTACTTCAAGTTCTACAAAGAAAACACAGCTACAACTGGAGC# >条形码BarcodeComments ProbeID物种# > Endogenous_TP53_NM_000546.2 BGBGYR NM_000546.2:1330 Hs内生# > Endogenous_IL22RA2_NM_181310.1 BGBRBR NM_181310.1:290 Hs内生# > Endogenous_IL2_NM_000586.2 BGBRGR NM_000586.2:300 Hs内生#访问可用的把和协议数据变量svarLabels(demoData)# >[1]“治疗”“BRAFGenotype”“FileVersion”“SoftwareVersion”# > [5]“SystemType”“SampleID”“SampleOwner”“SampleComments”# > [9]“SampleDate”“SystemAPF”“AssayType”“LaneID”# > [13]“FovCount”“FovCounted”“ScannerID”“StagePosition”# > [17]“BindingDensity”“CartridgeID”“CartridgeBarcode”头(sData(demoData),2)# >治疗BRAFGenotype FileVersion SoftwareVersion# > SKMEL2-DMSO-8h-R1_04.RCCDMSO wt/wt 1.7 4.0.0.3# > SKMEL2-DMSO-8h-R2_04.RCCDMSO wt/wt 1.7 4.0.0.3# > SystemType SampleID SampleOwner SampleComments# > SKMEL2-DMSO-8h-R1_04.RCCGen2 SKMEL2-DMSO-8hr DNA-RNA-Protein# > SKMEL2-DMSO-8h-R2_04.RCCGen2 SKMEL2-DMSO-8hr DNA-RNA-Protein# > SampleDate SystemAPF AssayType LaneID FovCount# > SKMEL2-DMSO-8h-R1_04.RCC2017-01-13 n6_vDV1  4 280# > SKMEL2-DMSO-8h-R2_04.RCC2017-02-07 n6_vDV1  4 280# > FovCounted ScannerID StagePosition BindingDensity# > SKMEL2-DMSO-8h-R1_04.RCC268 1207C0049 3 0.80# > SKMEL2-DMSO-8h-R2_04.RCC280 1207C0049 6 1.03# > CartridgeID CartridgeBarcode# > SKMEL2-DMSO-8h-R1_04.RCCAGBT-3DBio-C1-SKMEL2# > SKMEL2-DMSO-8h-R2_04.RCCAGBT-3DBio-3-C1-SKMEL2# RLF信息的访问注释(demoData)# > [1]“3 d_solidtumor_sig”

设计信息可以分配给NanoStringRCCSet对象,以及功能和样品标签用于NanoStringRCCSet策划方法。

#分配设计信息设计(demoData) < -~”治疗”设计(demoData)# > ~治疗#检查列名分别使用的标签特性和样品dimLabels(demoData)# > [1]“GeneName”“SampleID”#改变SampleID样本IDprotocolData(demoData) [[“样本ID”]]< -sampleNames(demoData)dimLabels(demoData) [2)< -“样本ID”dimLabels(demoData)# > [1]”GeneName”“ID”样本

总结NanoString nCounter数据

用户可以轻松地使用摘要总结计数结果的方法。可以生成数据总结在功能或样品。标签可以用来生成摘要基于特性或样本分组。

• 保证金:1(遍历功能)或2(循环示例)。
  
• 组:总结由一群。
  
• log2 = TRUE:总结统计与阈值为0.5,几何平均数的大小因素(2 ^ (MeanLog2意思是(MeanLog2))),意味着Log2与阈值为0.5,标准偏差的Log2阈值为0.5,最小值,第一四分位数、中位数,第三四分位数,和最大。
  
• log2 = FALSE:汇总统计数据的意思是,标准差、偏态,过度峰度,至少,第一四分位数、中位数、第三个四分位数,和最大。

#总结log2计数为每个特性头(总结(demoData利润=1),2)# > GeomMean SizeFactor MeanLog2 SDLog2分钟# > Endogenous_TP53_NM_000546.2 547.134439 5.88657439 9.095752 0.4357479 270# > Endogenous_IL22RA2_NM_181310.1 4.842601 0.05210115 2.275782 1.1326693 1# > Q1中位数Q3 Max# > Endogenous_TP53_NM_000546.2 519.00 602 611.25 810# > Endogenous_IL22RA2_NM_181310.1 2.75 6 9.25 11#总结log2计数为每个样本头(总结(demoData利润=2),2)# > GeomMean SizeFactor MeanLog2 SDLog2分钟Q1中位数# > SKMEL2-DMSO-8h-R1_04.RCC81.91473 0.8813138 6.356051 3.548682 0 11 42# > SKMEL2-DMSO-8h-R2_04.RCC111.61733 1.2008817 6.802417 3.571600 2 13 54# >第三季度马克斯# > SKMEL2-DMSO-8h-R1_04.RCC52530467# > SKMEL2-DMSO-8h-R2_04.RCC786 79362#检查治疗组独特的水平独特的(sData(demoData)美元“治疗”)# > [1]“DMSO VEM”#总结log2计数为每个VEM样本头(总结(demoData利润=2,组=“治疗”)美元,VEM2)# > GeomMean SizeFactor MeanLog2 SDLog2分钟Q1中位数# > SKMEL2-VEM-8h-R1_10。碾压混凝土105.0406 1.113396 6.714804 3.543809 0 14 52# > SKMEL2-VEM-8h-R2_10。碾压混凝土105.2725 1.115854 6.717985 3.652488 1 11 56# >第三季度马克斯# > SKMEL2-VEM-8h-R1_10。碾压混凝土789 40330# > SKMEL2-VEM-8h-R2_10。碾压混凝土1004 44614#总结log2计数为每个DMSO样本头(总结(demoData利润=2,组=“治疗”)美元“DMSO”,2)# > GeomMean SizeFactor MeanLog2 SDLog2分钟Q1中位数# > SKMEL2-DMSO-8h-R1_04.RCC81.91473 0.8945544 6.356051 3.548682 0 11 42# > SKMEL2-DMSO-8h-R2_04.RCC111.61733 1.2189233 6.802417 3.571600 2 13 54# >第三季度马克斯# > SKMEL2-DMSO-8h-R1_04.RCC52530467# > SKMEL2-DMSO-8h-R2_04.RCC786 79362#总结计数为每个DMSO溶液样品,没有log2转换头(总结(demoData利润=2,组=“治疗”,log2 =假)美元“DMSO”,2)# >的意思是SD偏态峰度分钟Q1 Q3中值# > SKMEL2-DMSO-8h-R1_04.RCC1335.766 3763.740 4.327986 21.46799 0 11 42 525# > SKMEL2-DMSO-8h-R2_04.RCC1828.778 6226.835 7.636919 75.77340 2 13 54 786# >马克斯# > SKMEL2-DMSO-8h-R1_04.RCC30467# > SKMEL2-DMSO-8h-R2_04.RCC79362

构造子集NanoStringRCCSet对象

常见的构造子集方法包括分离内生特性与控制提供NanoStringRCCSet对象。此外,用户可以使用或选择参数进一步子集,子集特性或样本,分别。

#检查的样本数据集长度(sampleNames(demoData))12 # > [1]#检查的数量VEM样本数据集长度(sampleNames(子集(demoData选择=phenoData(demoData) [[“治疗”]]= =“VEM”)))6 # > [1]#检查表达式矩阵的维数昏暗的(exprs(demoData))12 # > [1]397#检查的尺寸和内源性基因表达矩阵VEM样本昏暗的(exprs(endogenousSubset(demoData选择=phenoData(demoData) [[“治疗”]]= =“VEM”)))# > [1]180 6# housekeepingSubset()只选择管家基因与(housekeepingSubset(demoData),表(CodeClass))# > CodeClass# >家政# > 12# negativeControlSubset()只选择消极的探针与(negativeControlSubset(demoData),表(CodeClass))# > CodeClass# >负# > 6# positiveControlSubset()只选择积极的调查与(positiveControlSubset(demoData),表(CodeClass))# > CodeClass# >积极# > 6# controlSubset()选择所有控制探针与(controlSubset(demoData),表(CodeClass))# > CodeClass# >家政- PROTEIN_CELL_NORM PROTEIN_NEG# > 12 6 1 2# >积极SNV_INPUT_CTL SNV_NEG SNV_PCR_CTL# > 6 3 6 3# > SNV_POS SNV_UDG_CTL# > 6 2# nonControlSubset()选择所有非控制性调查与(nonControlSubset(demoData),表(CodeClass))# > CodeClass# >内源性蛋白质SNV_REF SNV_VAR# > 180 26 40 104

negativeControlSubset功能子集的数据对象,只包括探针负类的代码。
你可以看到代码featureData槽类信息。

neg_set < -negativeControlSubset(demoData)类(neg_set)# > [1]“NanoStringRccSet”# > attr(“包”)# > [1]“NanoStringNCTools”

在试验数据应用功能

类似于ExpressionSet esApply函数,一个等价的方法与NanoStringRCCSet对象是可用的。函数可以应用于试验数据特性——或者sample-wise。

添加demoElem计算数据的对数计算矩阵(exprs)利用assayDataApply demoData函数。访问器函数从eSet assayDataElement返回矩阵元素从assayData槽的对象。

• 保证金:1(遍历特性)或2(循环示例)。
  
• 乐趣:你想要的功能应用的数据,例如日志,意思是,等等。
  
• 英语教学:指的是你想要的元素应用在demoData。

#计算日志计数为每个样本的基因表达assayDataElement(demoData“demoElem”)< -assayDataApply(demoData利润=2,有趣的=日志,基础=10,英语教学=“exprs”)assayDataElement(demoData“demoElem”)[1:3,1:2]# > SKMEL2-DMSO-8h-R1_04.RCC# > Endogenous_TP53_NM_000546.2 2.540329# > Endogenous_IL22RA2_NM_181310.1 0.698970# > Endogenous_IL2_NM_000586.2 0.301030# > SKMEL2-DMSO-8h-R2_04.RCC# > Endogenous_TP53_NM_000546.2 2.7788745# > Endogenous_IL22RA2_NM_181310.1 0.9542425# > Endogenous_IL2_NM_000586.2 0.9030900#计算日志的意思是计数为每个特性assayDataApply(demoData利润=1,有趣的=的意思是,英语教学=“demoElem”)[1:5]# > Endogenous_TP53_NM_000546.2 Endogenous_IL22RA2_NM_181310.1# > 2.7380941 - 0.6850787# > Endogenous_IL2_NM_000586.2 Endogenous_CCR5_NM_000579.1# > 0.5595554负# > Endogenous_PRLR_NM_001204318.1# > 0.9411847#分割数据处理和计算的均值日志数量为每个特性头(里(demoData组=“治疗”,有趣的=函数(x) {assayDataApply(x,利润=1,有趣的=的意思是,英语教学=“demoElem”)}))# > DMSO VEM# > Endogenous_TP53_NM_000546.2 2.6962710 - 2.7799171# > Endogenous_IL22RA2_NM_181310.1 0.5927171 - 0.7774403# > Endogenous_IL2_NM_000586.2 0.4808935 - 0.63821730.7821118 # > Endogenous_CCR5_NM_000579.1负无穷# > Endogenous_PRLR_NM_001204318.1 1.0082754 - 0.8740940# > Endogenous_LIF_NM_002309.3 1.8067671 - 1.4661876

还有一个预加载nCounter归一化法,NanoStringRCCSet类。这包括默认nSolver标准化执行。

• 类型:对象的数据类型。值也许RNA,蛋白质。
  
• fromELT: assayDataElement规范化的名称。
  
• toELT: assayDataElement存储规范化值的名称。

demoData < -正常化(demoData类型=“nSolver”,fromELT =“exprs”,toELT =“exprs_norm”)assayDataElement(demoData英语教学=“exprs_norm”)[1:3,1:2]# > SKMEL2-DMSO-8h-R1_04.RCC# > Endogenous_TP53_NM_000546.2 8.753132# > Endogenous_IL22RA2_NM_181310.1 2.895151# > Endogenous_IL2_NM_000586.2 1.895151# > SKMEL2-DMSO-8h-R2_04.RCC# > Endogenous_TP53_NM_000546.2 8.983110# > Endogenous_IL22RA2_NM_181310.1 3.071419# > Endogenous_IL2_NM_000586.2 2.919416

下面是一个产生的日志标准化数据的热图NanoStringRCCSet autoplot系统树图与无监督聚类方法。热图的每一行代表一个基因和每一列代表一个样本。用户可以自定义的热图通过设置不同的参数。

• 类型:参考图生成的类型,在本例中,“heatmap-genes”。
  
• 英语教学:矩阵表达式的名称,即数据用于生成阴谋。
  
• heatmapGroup:引用pData列的热图的颜色样品。
  
• show_colnames_gene_limit:确定功能显示列的数量。在这种情况下,样本的数量超过了极限,不列名称将显示出来。
  
• show_rownames_gene_limit:确定一点特性显示行操作的数量。在这种情况下,基因的数量超过了极限,没有行名称将显示出来。
  
• log2scale:指示表达式log2规模的数据

autoplot(demoData类型=“heatmap-genes”,英语教学=“exprs_norm”,heatmapGroup =c(“治疗”,“BRAFGenotype”),show_colnames_gene_limit =10,show_rownames_gene_limit =40,log2scale =假)

NanoStringRCCSet数据转换为数据帧

NanoStringRCCSet munge功能帮助用户生成数据帧下游建模和可视化。这结合可用特性和样本格式很长一段时间了。还有一个变换方法,功能类似于基本变换函数。

#把负面的探针和表达式结合在一起neg_ctrls < -munge(neg_set~exprs)头(neg_ctrls2)# > FeatureName SampleName exprs# > 1 Negative_NEG_C (0) _ERCC_00019.1 SKMEL2-DMSO-8h-R1_04。RCC 9# > 2 Negative_NEG_D (0) _ERCC_00076.1 SKMEL2-DMSO-8h-R1_04。RCC 9类(neg_ctrls)# > [1]“data.frame”#把表达式与所有功能头(munge(demoData~exprs),2)# > FeatureName SampleName exprs# > 1 Endogenous_TP53_NM_000546.2 SKMEL2-DMSO-8h-R1_04。碾压混凝土347# > 2 Endogenous_IL22RA2_NM_181310.1 SKMEL2-DMSO-8h-R1_04。碾压混凝土5#把映射和数据集,将基因表达式存储为一个矩阵munge(demoData映射=~”BRAFGenotype”+GeneMatrix)# > DataFrame 2 12行和列# > BRAFGenotype GeneMatrix# > <人物> <矩阵># > SKMEL2-DMSO-8h-R1_04.RCCwt/wt 347:5:2:...# > SKMEL2-DMSO-8h-R2_04.RCCwt/wt 601:9:8:...# > SKMEL2-DMSO-8h-R3_04。RCC wt / wt 270:2:1:……# > SKMEL2-VEM-8h-R1_10。RCC wt / wt 588:10:5:……# > SKMEL2-VEM-8h-R2_10。RCC wt / wt 810:3:5:……# >………# > SKMEL28-DMSO-8h-R2_04.RCCmut/mut 722:5:3:...# > SKMEL28-DMSO-8h-R3_04.RCCmut/mut 608:1:4:...# > SKMEL28-VEM-8h-R1_10.RCCmut/mut 603:11:6:...# > SKMEL28-VEM-8h-R2_10.RCCmut/mut 618:10:9:...# > SKMEL28-VEM-8h-R3_10.RCCmut/mut 519:7:1:...#将基因表达式规范化exprs_df < -变换(assayData(demoData) [[“exprs_norm”]])类(exprs_df)# > [1]“data.frame”exprs_df [1:3,1:2]# > SKMEL2.DMSO.8h.R1_04.RCC# > Endogenous_TP53_NM_000546.2 8.753132# > Endogenous_IL22RA2_NM_181310.1 2.895151# > Endogenous_IL2_NM_000586.2 1.895151# > SKMEL2.DMSO.8h.R2_04.RCC# > Endogenous_TP53_NM_000546.2 8.983110# > Endogenous_IL22RA2_NM_181310.1 3.071419# > Endogenous_IL2_NM_000586.2 2.919416

内置的质量控制评估

质量控制指标用来评估nCounter分析的技术性能试验研究。用户可以标记样本失败QC阈值或边缘结果基于管家和ERCC表达式,成像质量,结合密度。首先,管家基因评估样本的完整性通过比较观测值与预定的阈值是否适合数据分析。机器性能评估使用的百分比字段的视图尝试和成功地进行了分析。绑定的密度探测器成像区域内ERCC线性、检测极限作为读数的效率和特异性的化学分析。任何样品视为失败的任何一个QC检查站将从分析中删除。

此外,质检结果可以可视化使用NanoStringRCCSet autoplot方法。

• 类型:参考图生成的类型。
  
• qcCutoffs:您还可以设置qcCutoffs autoplot函数。因为它被设置在setQCFlags函数,你不需要设置这个参数在autoplot再次。

#使用setSeqQCFlags函数来设置排序QC标志你的数据集。默认显示截止的函数。demoData < -setQCFlags(demoDataqcCutoffs =列表(管家=c(failingCutoff =32,passingCutoff =One hundred.),成像=c(fovCutoff =0.75),BindingDensity =c(minimumBD =0.1,maximumBD =2.25,maximumBDSprint =1.8),ERCCLinearity =c(correlationValue =0.95),ERCCLoD =c(standardDeviations =2)))#在数据显示过去的6列名称尾巴(svarLabels(demoData))# > [1]“BindingDensity”“CartridgeID”“CartridgeBarcode”# >[4]”样本ID”“QCFlags”“QCBorderlineFlags”#显示的第一个2行QC旗帜的结果头(protocolData(demoData) [[“QCFlags”]],2)# >成像结合线性LoD管家# > SKMEL2-DMSO-8h-R1_04.RCC假假假假假# > SKMEL2-DMSO-8h-R2_04.RCC假假假假假#显示的第一个2行QC边缘型旗帜的结果头(protocolData(demoData) [[“QCBorderlineFlags”]],2)# >成像结合线性LoD管家# > SKMEL2-DMSO-8h-R1_04.RCC假假假假假# > SKMEL2-DMSO-8h-R2_04.RCC假假假假假

#设置字体Arialtheme_set(theme_gray(base_family =“天线”))girafe(ggobj =autoplot(demoData类型=“housekeep-geom”))

subData < -子集(demoData选择=phenoData(demoData) [[“治疗”]]= =“DMSO”)girafe(ggobj =autoplot(subData类型=“housekeep-geom”))

girafe(ggobj =autoplot(demoData类型=“lane-bindingDensity”))

girafe(ggobj =autoplot(demoData类型=“lane-fov”))

girafe(ggobj =autoplot(demoData类型=“ercc-linearity”))

girafe(ggobj =autoplot(subData类型=“ercc-lod”))

数据探索

进一步探索可以执行的数据可视化选择特性的表达式或通过鸟瞰表达式的热图和无监督聚类系统树图自动生成的。

girafe(ggobj =autoplot(demoData“boxplot-feature”,指数=featureNames(demoData) [3),英语教学=“exprs”))

sessionInfo()# > R版本4.2.0 RC (2022-04-19 r82224)# >平台:x86_64-pc-linux-gnu(64位)# >下运行:Ubuntu 20.04.4 LTS# ># >矩阵产品:违约# >布拉斯特区:/home/biocbuild/bbs - 3.15 - bioc / R / lib / libRblas.so# > LAPACK: /home/biocbuild/bbs - 3.15 - bioc / R / lib / libRlapack.so# ># >语言环境:# > [1]LC_CTYPE = en_US。utf - 8 LC_NUMERIC = C# >[3]而= en_GB LC_COLLATE = C# > [5]LC_MONETARY = en_US。utf - 8 LC_MESSAGES = en_US.UTF-8# > [7]LC_PAPER = en_US。utf - 8 LC_NAME = C# > [9]LC_ADDRESS C = C LC_TELEPHONE =# > [11]LC_MEASUREMENT = en_US。utf - 8 LC_IDENTIFICATION = C# ># >附加基本包:# > [1]stats4统计图形grDevices跑龙套的数据集的方法# >[8]的基础# ># >其他附加包:# > [1]pheatmap_1.0.12 ggiraph_0.8.2 ggthemes_4.2.4# > [4]NanoStringNCTools_1.4.0 ggplot2_3.3.5 S4Vectors_0.34.0# > [7]Biobase_2.56.0 BiocGenerics_0.42.0# ># >加载通过名称空间(而不是附加):# > [1]Rcpp_1.0.8.3 Biostrings_2.64.0 assertthat_0.2.1# > [4]digest_0.6.29 utf8_1.2.2 R6_2.5.1# > [7]GenomeInfoDb_1.32.0 evaluate_0.15 highr_0.9# > [10]pillar_1.7.0 zlibbioc_1.42.0 rlang_1.0.2# > [13]uuid_1.1-0 jquerylib_0.1.4 rmarkdown_2.14# > [16]labeling_0.4.2 stringr_1.4.0 htmlwidgets_1.5.4# > [19]rcurl_1.98 - 1.6 munsell_0.5.0 compiler_4.2.0# > [22]vipor_0.4.5 xfun_0.30 pkgconfig_2.0.3# > [25]systemfonts_1.0.4 ggbeeswarm_0.6.0 htmltools_0.5.2# > [28]tidyselect_1.1.2 tibble_3.1.6 GenomeInfoDbData_1.2.8# > [31]IRanges_2.30.0 fansi_1.0.3 crayon_1.5.1# > [34]dplyr_1.0.8 withr_2.5.0 bitops_1.0-7# > [37]grid_4.2.0 jsonlite_1.8.0 gtable_0.3.0# > [40]lifecycle_1.0.1 DBI_1.1.2 magrittr_2.0.3# > [43]scales_1.2.0 cli_3.3.0 stringi_1.7.6# > [46]farver_2.1.0 XVector_0.36.0 bslib_0.3.1# > [49]ellipsis_0.3.2 generics_0.1.2 vctrs_0.4.1# > [52]RColorBrewer_1.1-3 tools_4.2.0 glue_1.6.2# > [55]beeswarm_0.4.0 purrr_0.3.4 fastmap_1.1.0# > [58]yaml_2.3.5 colorspace_2.0-3 knitr_1.38# > [61]sass_0.4.1