11、权重残差图、RLE和NUSE
affyPLM包可以对芯片原始数据进行拟合回归，最后得到芯片权重（Weights）残差（Residuals）图、相对对数表达（RLE，Relative log expression）箱线图、相对标准差（NUSE，Normalized unscaled standard errors）箱线图
以样品GSM286757.CEL、GSM286756.CEL、GSM286763.CEL、GSM286762.CEL、GSM286759.CEL、GSM286760.CEL、GSM286765.CEL、GSM286766.CEL为例：
library(affyPLM)
rawData<-ReadAffy("GSM286757.CEL","GSM286756.CEL",
"GSM286763.CEL","GSM286762.CEL",
"GSM286759.CEL","GSM286760.CEL",
"GSM286765.CEL","GSM286766.CEL")
Pset <- fitPLM(rawData)
boxplot(Pset,col=c(1:8),main="NUSE") ## NUSE图
Mbox(Pset,col=c(1:8),main="RLE") ## RLE图
image(Pset,type="weights",which=1,main="Weights") ## 权重图
image(Pset, type="resids", which=2, main="Residuals") ## 残差图
image(Pset, type="sign.resids", which=2, main="Residuals sign") ## 符号残差图
从上面的代码可以看出，经过了fitPLM的计算得到了权重参差、相对对数表达、相对标准差的数据，但是这些数据在Pset中是怎样存储的呢？
运行下面的代码可以看清楚：
model=PM ~ -1 + probes + samples
model.param=verify.model.param(rawData,model)
variable.type <- verify.variable.types (model,c(default="factor"))
constraint.type <- verify.constraint.types(model,c(default="contr.treatment"))
n.probesets <- length(geneNames(rawData))
R.model <- PLM.designmatrix3(rawData,model,variable.type=variable.type,constraint.type=constraint.type)
output <- verify.output.param()
modelparam <- verify.model.param(rawData,model,model.param=model.param)
background.param <- verify.bg.param(R.model, "RMA.2",background.param = list())
normalize.param <- verify.norm.param(R.model, "quantile",normalize.param=list())
Fitresults <- .Call("R_rlm_PLMset_c",pm(rawData),mm(rawData),
probeNames(rawData),
n.probesets,
R.model,
output,
modelparam,
TRUE,
"RMA.2",
background.param,
TRUE,
"quantile",
normalize.param,
0,
PACKAGE="affyPLM")
其中：
一、Fitresults[[4]]和NUSE有关，它是一个阵列，行数是探针组数目，列数是样品数，长度是探针组数目*样品数
grp.rma.se1.median <- apply(Fitresults[[4]], 1,median,na.rm=TRUE)
grp.rma.rel.se1.mtx <- sweep(Fitresults[[4]],1,grp.rma.se1.median,FUN='/')
## 以上2步操作是让每一行都减去该行的中位数
boxplot(grp.rma.rel.se1.mtx,col=c(1,2,3,4,5,6,7,8),main="NUSE")
二、Fitresults[[1]]和RLE有关，它是一个阵列，行数是探针组数目，列数是样品数，长度是探针组数目*样品数
medianchip <- apply(Fitresults[[1]], 1, median)
M <- sweep(Fitresults[[1]],1,medianchip,FUN='-')
## 以上2步操作是让每一行都减去该行的中位数
boxplot(M,col=c(1,2,3,4,5,6,7,8),main="RLE")
三、Fitresults[[3]][[1]]和权重图有关，它是一个阵列，行数是PM探针数目，列数是样品数，长度是探针数目*样品数。在本例中，PM探针数目是604258，样品数是8，那么第一个样品的权重值是Fitresults[[3]][[1]][,1]，长度为探针数目604258
## 查看第一个样品的前50个权重值
> Fitresults[[3]][[1]][,1][1:50]
1007_s_at 1007_s_at 1007_s_at 1007_s_at 1007_s_at 1007_s_at 1007_s_at
1.0000000 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000
1007_s_at 1007_s_at 1007_s_at 1007_s_at 1007_s_at 1007_s_at 1007_s_at
1.0000000 0.8790510 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000
1007_s_at 1007_s_at 1053_at 1053_at 1053_at 1053_at 1053_at
1.0000000 1.0000000 1.0000000 1.0000000 1.0000000 0.2046946 1.0000000
1053_at 1053_at 1053_at 1053_at 1053_at 1053_at 1053_at
1.0000000 1.0000000 1.0000000 0.4951793 1.0000000 1.0000000 1.0000000
1053_at 1053_at 1053_at 1053_at 117_at 117_at 117_at
1.0000000 0.4462245 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000
117_at 117_at 117_at 117_at 117_at 117_at 117_at
1.0000000 1.0000000 0.6728794 1.0000000 0.3876992 0.8266238 0.7217806
117_at 117_at 117_at 117_at 117_at 117_at 121_at
1.0000000 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000 1.0000000
121_at
1.0000000
## 绘制权重图的颜色
col.weights <- terrain.colors(25)
> col.weights
[1] "#00A600FF" "#10AC00FF" "#20B100FF" "#32B700FF" "#45BD00FF" "#59C300FF"
[7] "#6DC900FF" "#83CE00FF" "#9AD400FF" "#B2DA00FF" "#CBE000FF" "#E6E600FF"
[13] "#E6D612FF" "#E7C924FF" "#E8BF36FF" "#E9B848FF" "#EAB35AFF" "#EBB16DFF"
[19] "#ECB27FFF" "#EDB592FF" "#EEBCA5FF" "#EFC5B8FF" "#F0D1CBFF" "#F1E0DFFF"
[25] "#F2F2F2FF"
这里有25个颜色，[1]~[25]，从草绿色渐变到橘黄色，再渐变到接近白色。越小的权重值分配到的颜色越接近草绿色，越大的权重值越接近白色。这样，每个PM探针都有了对应的权重值和颜色，绘制成图像就是权重图了。
四、Fitresults[[8]] [[1]]和残差图有关系，原理和权重图是一样的。
符号残差图根据Fitresults[[8]] [[1]]的数据的正负号来确定颜色，正数红色，0白色，负数蓝色。对Fitresults[[8]] [[1]]进行sign(Fitresults[[8]] [[1]])*(log2(abs(Fitresults[[8]] [[1]])+1))计算后得到的数据用于残差图，残差图的颜色是：
col.resids <- pseudoPalette(low="blue",high="red",mid="white")
> col.resids
[1] "#0000FF" "#0B0BFF" "#1515FF" "#2020FF" "#2A2AFF" "#3535FF" "#4040FF"
[8] "#4A4AFF" "#5555FF" "#6060FF" "#6A6AFF" "#7575FF" "#8080FF" "#8A8AFF"
[15] "#9595FF" "#9F9FFF" "#AAAAFF" "#B5B5FF" "#BFBFFF" "#CACAFF" "#D4D4FF"
[22] "#DFDFFF" "#EAEAFF" "#F4F4FF" "#FFFFFF" "#FFFFFF" "#FFF4F4" "#FFEAEA"
[29] "#FFDFDF" "#FFD5D5" "#FFCACA" "#FFBFBF" "#FFB5B5" "#FFAAAA" "#FF9F9F"
[36] "#FF9595" "#FF8A8A" "#FF8080" "#FF7575" "#FF6A6A" "#FF6060" "#FF5555"
[43] "#FF4A4A" "#FF4040" "#FF3535" "#FF2B2B" "#FF2020" "#FF1515" "#FF0B0B"
[50] "#FF0000"
颜色从蓝色渐变到红色，再渐变到白色。越小的残差值分配到的颜色越接近蓝色，
这里有50个颜色，[1]~[50]，从蓝色渐变到红色，再渐变到接近白色。越小的残差值分配到的颜色越接近蓝色，越大的权重值越接近白色。这样，每个PM探针都有了对应的残差值和颜色，绘制成图像就是残差图了。
最新文章
- MonoDevelop 4.0.9 on CentOS 6.3 安装笔记
- [deviceone开发]-Star分享的几个示例
- 记录vmware虚拟机安装的时候一些注意
- Swift 备忘单和快速参考
- React学习笔记-3-非dom属性介绍
- Xib与View关联方法
- Quartz定时任务学习（二)web应用/Quartz定时任务学习（三）属性文件和jar
- How to setup SVN?
- Java异常 —— java.lang.NoClassDefFoundError
- 如何使用USB安装XenServer 6.x
- 第一章 USB Type C的基本原理
- C/S与B/S
- HttpWatch工具简介及使用技巧（转载）
- Markdown 练习
- Codefoces 723A The New Year: Meeting Friends
- zzuli oj 1134 字符串转换
- Exception in thread "main" expected '<document start>', but found BlockMappingStart in 'reader', line 23, column 2: nimbus.host: "master"
- pom中Maven插件 配置 maven-dependency-plugin maven-surefire-plugin
- c++入门之出话指针和地址。
- python爬虫之PyQuery的基本使用