R语言 baySeq包 baySeq-package()函数中文帮助文档(中英文对照)

loveR

baySeq-package(baySeq)
baySeq-package()所属R语言包：baySeq

                                        Empirical Bayesian analysis of patterns of differential expression in count data.
                                         计数数据的差异表达模式的经验贝叶斯分析。

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

This package is intended to identify differential expression in high-throughput 'count' data, such as that derived from next-generation sequencing machines. We achieve this by empirical bayesian methods, first bootstrapping to estimate prior parameters from the data and then assessing posterior likelihoods of the models proposed.
这个包的目的是在高通量的计数的数据，如来自新一代测序机，识别差异表达。我们经验贝叶斯方法实现这一点，首先引导到事先估计的数据参数，然后评估后提出的模型的似然性。


Details

详情----------Details----------

To use the package, construct a countData object and use the functions documented in getPriors to empirically determine priors on the data. Then use the functions documented in getLikelihoods to establish posterior likelihoods for the models proposed. A few convenience functions, getTPs and topCounts are also included.
使用的软件包，构建一个countData对象和使用，在getPriors经验记录下来，以确定有关的数据的先验的功能。然后使用，记录getLikelihoods建立后提出的模型的似然性的职能。一些方便的功能，getTPs和topCounts也包括在内。

The package (optionally) makes use of the 'snow' package for parallelisation of computationally intensive functions. This is highly recommended for large data sets.
包（可选）使用并行化计算密集型功能包的“雪花”。这是强烈建议对于大型数据集。

See the vignette for more details.
看到更多细节的小插曲。


作者（S）----------Author(s)----------



Thomas J. Hardcastle

Maintainer: Thomas J. Hardcastle <tjh48@cam.ac.uk>




参考文献----------References----------



举例----------Examples----------



# See vignette for more examples.[看到更多的例子的小插曲。]

# load test data[加载测试数据]
data(simData)


# replicate structure of data[复制的数据结构]
replicates <- c("simA", "simA", "simA", "simA", "simA", "simB", "simB", "simB", "simB", "simB")

# define hypotheses on data[定义对数据的假设]
groups <- list(NDE = c(1,1,1,1,1,1,1,1,1,1), DE = c(1,1,1,1,1,2,2,2,2,2))

# construct 'countData' object[构造“countData对象]
CD <- new("countData", data = simData, replicates = replicates, groups =
groups)

#estimate library sizes for countData object[估计countData对象库大小]
CD@libsizes <- getLibsizes(CD)

# estimate prior distributions on 'countData' object using negative binomial[使用负二项分布估计前countData对象的分布]
# method. Other methods are available - see getPriors[方法。其他方法可用 - 看到getPriors]
CDPriors <- getPriors.NB(CD, cl = NULL)

# estimate posterior likelihoods for each row of data belonging to each hypothesis[估计属于每个假设为每个数据行后的似然性]
CDPost <- getLikelihoods(CDPriors, cl = NULL)

# display the rows of data showing greatest association with the second[数据显示最大的协会第二行显示]
# hypothesis (differential expression)[假设（差异表达）]
topCounts(CDPost, group = "DE", number = 10)

# find true positive selection rate[找到真正的积极的选择率]
getTPs(CDPost, group = "DE", TPs = 1:100)[1:100]


转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。