1.1虚拟Imputation老鼠

来说明如何使用老鼠我们开始同时加载rexposome和老鼠库。

库(rexposome)库(老鼠)

我们装载三种文件包含在rexposome包，这样我们就可以加载曝光，并查看丢失的数据量(检查小插图暴露数据分析以获取更多信息)。

下面的行位于三种安装文件。

Path <- file. Path (Path .package("rexposome")， "extdata") description <- file. Path ("rexposome")路径(Path， "description.csv")表现型<- file。Path (Path， "phenotypes.csv") exposed <- file. csv . Path。路径(路径,“exposures.csv”)

一旦文件被定位，我们加载他们作为data.frames：

dd <- read.csv(description, header=TRUE, stringsAsFactors=FALSE) ee <- read.csv(exposure, header=TRUE) pp <- read.csv(phenotype, header=TRUE)

为了加快在本插图中进行的归因过程，我们将删除四个曝光族。

dd < - dd(——(dd家庭美元% % c(“邻苯二甲酸盐”,“多溴二苯醚”、“全氟辛酸及其盐类(pfoa)”,“金属”)),]ee < - ee (c(“idnum”,dd暴露美元))

我们可以检查暴露和表型中缺失的数据量data.frames：

data.frame(Set=c(" exposure "， "Phenotypes")， Count=c(sum(is.na(ee))， sum(is.na(pp))))

##设置计数## 1曝光304 ## 2表型

在运行之前老鼠，我们需要将暴露和表型都分解为一个data.frame．

Rownames (ee) <- ee$idnum Rownames (pp) <- pp$idnum dta <- cbind(ee[， -1]， pp[， -1]) dta[1:3, c(1:3, 52:56)]

## DDE DDT HCB出生日期性别年龄cbmi血NA NA NA 2004-12-29男4.2 16.3 120 id002 1.713577 0.6931915 1.270750 2005-01-05男4.2 16.4 121 id003 2.594590 0.7448906 2.205519 2005-01-05男4.2 19.0 120

一旦完成这一步，类每一列的值，所以老鼠能够区分连续曝光和分类曝光。

对(2 c (1:13, 18:47 55:56)) {dta (ii) < -。Numeric (dta[， ii])} for(ii in c(14:17, 48:54)) {dta[， ii] <- as。因子(dta[， ii])}

用这个data.frame我们执行imputation调用老鼠函数(有关此调用的详细信息，请选中老鼠的小插图)。我们移除了列生日因为它不需要进行归责，并且带有许多类别。

imp <- mouse (dta[， -52]， pred = quickpred(dta[， -52]， mincor = 0.2, minpuc = 0.4)， seed = 38788, m = 5, maxit = 10, printFlag = FALSE)

##警告:记录事件的数量:223

类(imp)

##[1]“中间”

创建的对象小鬼，那是一个类的对象mids包含20个数据集，包括估算暴露和表型。为了处理这些信息，我们需要提取这些集合中的每一个，并创建一个包含所有这些集合的新数据集。这个新data.frame将被传递给rexposome(请查看下一节的要求)。

老鼠包包含以下功能完整的这允许从类的对象中提取单个数据集mids．我们将使用这个函数来提取集合并将它们连接到一个集合中data.frame．

如果我们设置参数行动的完整的函数0时，将返回原始数据:

Me <- complete(imp, action = 0) Me[， "。Imp "] <- 0 me[， "。Id "] <- rownames(me) dim(me)

## [1] 109 57

摘要(me[， c(" h_"， "苯")])

## h_农药苯## 0:68 Min:-0.47427 ## 1:35 1st Qu.:-0.19877 ## NA's: 6中位数:-0.11975 ##平均值:-0.12995 ## 3 Qu.:-0.06879 ## Max: 0.13086 ## NA的:3

如果行动数字介于1和米值时，它将返回所选的集合。

对于(set in 1:5) {im <- complete(imp, action = set) im[， "。Imp "] <- set im[， "。id”)< - rownames (im)我< - rbind(我,im)} < -我[c”。小鬼”、“。id”,colnames(我)(- (97:98))))rownames(我)< - 1:nrow(我)的(我)

## [1] 654 59

1.2数据格式

格式为多重imputation数据rexposome需要遵循一些限制:

1. 这两个曝光和表型存储在相同的地方data.frame．
2. 这data.frame必须有一个列叫做.imp表示输入的数量。这种imputation被标记为0是原始曝光(无归因)。
3. 这data.frame必须有一个列叫做.id说明样品名称。这将被转换为字符。
4. 一个data.frame与描述暴露和家庭之间的关系。

1.3创建一个imExposomeSet

暴露者data.frame以及描述data.frame类的对象imExposomeSet可以创建。为此，函数loadImputed使用:

ex_imp <- loadImputed(data = me, description = dd, description. exe)famCol = "家庭"，描述。expCol = "曝光")

这个函数loadImputed有几个论点:

args (loadImputed)

##函数(数据，描述，描述。famCol = "family"，描述。expCol = "exposure"， ## exposure。asFactor = 5, warnings = TRUE) ## NULL

这个论点数据是由data.frame风险敞口。这个论点跟与data.frame与曝光的描述。description.famCol指示描述上与族对应的列。description.expCol指示说明上与曝光相对应的列。最后,exposures.asFactor指示在默认情况下，少于五个不同值的曝光被认为是分类曝光，否则为连续曝光。

ex_imp

imExposomeSet类的对象曝光描述:##。分类:4 ##。连续:43 ##。#imputation: 6 (raw detected) ##。assayData: 47曝光109个人##。表型数据:109个人12表型##。featureData: 47曝光3解释

该对象的输出表明我们加载了14个曝光，其中13个连续曝光，1个分类曝光。

头(sampleNames (ex_imp))

##[1]“id001”“id002”“id003”“id004”“id005”“id006”

头(exposureNames (ex_imp))

##[1]“DDE”“DDT”“HCB”“bHCH”“PCB118”“PCB153”

familyNames (ex_imp)

“有机氯”、“双酚A”、“水污染物”、“可代宁”、“家庭环境”、“空气污染物”、“建筑环境”、“噪音”、“温度”

phenotypeNames (ex_imp)

# #[1]“whistling_chest”“流感”“鼻炎”“喘息”# #[5]“性”“年龄”“cbmi”# #[9]“blood_pre .imp。1”“.id.1”

head(fData(ex_imp)， n = 3)

##家族曝光名称。type ## <字符> <字符> <字符> <字符> ## DDE有机氯DDE二氯二苯基。数字## DDT有机氯DDT二氯二苯。数字## HCB有机氯HCB六氯苯数字

head(pData(ex_imp)， n = 3)

##数据框架与3行和12列## .imp. id whistling_胸部流感鼻炎呼哧呼哧性别## <数字> <字符> <因子> <因子> <因子> <因子> <因子> ## 1 0 id001从来没有没有没有男性## 2 0 id002从来没有没有没有男性## 3 0 id003 7-12 epi没有没有是男性##年龄cbmi blood_pre .imp。1 .id。1##      ## 1 4.2 16.3 120 0 id001 ## 2 4.2 16.4 121 0 id002 ## 3 4.2 19.0 120 0 id003

plotFamily(ex_imp, family = "Organochlorines")

##警告:删除了104行包含非有限值(' stat_boxplot() ')。

plotFamily(ex_imp, family = "Home Environment")

1.4提取一个ExposomeSet从一个imExposomeSet

一旦一个imExposomeSet创建时，ExposomeSet可以通过选择一个内部估算集来获得。这是使用方法完成的脚趾设置参数掉与输入集的数量一起使用:

ex_1 < -脚趾ex_1 (ex_imp,摆脱= 1)

'ExposomeSet'类的对象(storageMode: environment)曝光描述:##。分类:4 ##。连续:43 ##。曝光转换:##。分类:0 ##。转换:0 ##。标准化:0 ##。Imputed: 0 ##。assayData: 47曝光109个人##。 element names: exp ## . exposures: AbsPM25, ..., Temp ## . individuals: id001, ..., id108 ## . phenoData: 109 individuals 10 phenotypes ## . individuals: id001, ..., id108 ## . phenotypes: whistling_chest, ..., .imp.1 ## . featureData: 47 exposures 8 explanations ## . exposures: AbsPM25, ..., Temp ## . descriptions: Family, ..., .imp ## experimentData: use 'experimentData(object)' ## Annotation:

ex_3 <- toES(ex_imp, rid = 3) ex_3

'ExposomeSet'类的对象(storageMode: environment)曝光描述:##。分类:4 ##。连续:43 ##。曝光转换:##。分类:0 ##。转换:0 ##。标准化:0 ##。Imputed: 0 ##。assayData: 47曝光109个人##。 element names: exp ## . exposures: AbsPM25, ..., Temp ## . individuals: id001, ..., id108 ## . phenoData: 109 individuals 10 phenotypes ## . individuals: id001, ..., id108 ## . phenotypes: whistling_chest, ..., .imp.1 ## . featureData: 47 exposures 8 explanations ## . exposures: AbsPM25, ..., Temp ## . descriptions: Family, ..., .imp ## experimentData: use 'experimentData(object)' ## Annotation:

2.1提取曝光在有效试验阈值

该方法提取允许从对象中获取p值表ExWAS对象。与此同时，微软目前方法可以获取有效试验阈值计算在exwas．我们可以把它们结合起来使用，以便创建一个包含曝光p值的表有效测试的阈值．

1. 首先我们得到有效试验阈值

(thr <- tef(as_view))

## [1] 0.002426352

2. 第二，我们得到p值表

TBL <- extract(as_view)

3. 第三，我们用阈值过滤表

(sig <- tbl[tbl$pvalue <= thr，])

## DataFrame与11行4列## pvalue效果X2.5 X97.5 ## <数字> <数字> <数字> <数字> ## AbsPM25 5.26794e-05 20.09668 10.85241 6.69541 19.00941 ## NO 8.27436e-05 10.67213 5.55743 15.78682 ## NO2 9.90808e-05 15.06292 7.77227 22.35356 ## PM25CU 4.00711e-04 11.39992 5.23645 17.56340 ## Temp 1.11891e-03 88.57154 36.30290 140.84017 ## PCB1531.67554e-03 3.99374 1.54289 6.44459 ## PM10Fe 2.07052e-03 13.57084 5.06769 22.07398 ## PCB138 2.21163e-03 4.48011 1.65837 7.30184