R语言 HEM包 hem()函数中文帮助文档(中英文对照)

loveR

hem(HEM)
hem()所属R语言包：HEM

                                        Heterogeneous Error Model for Identification of Differential Expressed Genes Under Multiple Conditions
                                         微分鉴定异质误差模型表示多个条件下基因

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

Fits an error model with heterogeneous experimental and biological variances.
错误模型适合异构的实验和生物差异。


用法----------Usage----------


hem(dat, probe.ID=NULL, n.layer, design, burn.ins=1000, n.samples=3000,
    method.var.e="gam", method.var.b="gam", method.var.t="gam",           
    var.e=NULL, var.b=NULL, var.t=NULL, var.g=1, var.c=1, var.r=1,
    alpha.e=3, beta.e=.1, alpha.b=3, beta.b=.1, alpha.t=3, beta.t=.2,
    n.digits=10, print.message.on.screen=TRUE)



参数----------Arguments----------

参数：dat
data
数据


参数：probe.ID
a vector of probe set IDs
探针组ID的向量


参数：n.layer
number of layers; 1=one-layer EM, 2=two-layer EM
1 = 1层，2 =两层EM电磁层数;


参数：design
design matrix
设计矩阵


参数：burn.ins
number of burn-ins for MCMC
烧伤项数的MCMC


参数：n.samples
number of samples for MCMC  
MCMC方法的样本数量


参数：method.var.e
prior specification method for experimental variance;  "gam"=Gamma(alpha,beta),  "peb"=parametric EB prior specification,  "neb"=nonparametric EB prior specification
“自由亚齐运动”=伽玛（α，β），“PEB”=参数的EB事先规范，“纳布”=非参数的EB事先规范实验方差事先规范的方法;


参数：method.var.b
prior specification method for biological variance;  "gam"=Gamma(alpha,beta),  "peb"=parametric EB prior specification
“自由亚齐运动”=伽玛（α，β），“PEB”=参数的EB事先规范生物变异的事先规范的方法;


参数：method.var.t
prior specification method for total variance;  "gam"=Gamma(alpha,beta),  "peb"=parametric EB prior specification,  "neb"=nonparametric EB prior specification
“自由亚齐运动”=伽玛（α，β），“PEB”=参数的EB事先规范，“纳布”=非参数的EB事先规范总方差的事先规范的方法;


参数：var.e
prior estimate matrix for experimental variance  
实验方差预先估计矩阵


参数：var.b
prior estimate matrix for biological variance  
生物变异的先验估计矩阵


参数：var.t
prior estimate matrix for total variance
事先估计总方差矩阵


参数：var.g
N(0, var.g); prior parameter for gene effect  
N（0，var.g）;基因效应事先参数


参数：var.c
N(0, var.c); prior parameter for condition effect  
N（0，var.c）;事先参数条件的影响


参数：var.r
N(0, var.r); prior parameter for interaction effect of gene and condition
N（0，var.r）;事先参数相互作用的基因和条件的影响


参数：alpha.e, beta.e
Gamma(alpha.e,alpha.e); prior parameters for inverse of experimental variance  
伽玛（alpha.e，alpha.e）;实验方差的倒数前参数


参数：alpha.b, beta.b
Gamma(alpha.b,alpha.b); prior parameters for inverse of biological variance
伽玛（alpha.b，alpha.b）;生物变异的逆事先参数


参数：alpha.t, beta.t
Gamma(alpha.b,alpha.b); prior parameters for inverse of total variance
伽玛（alpha.b，alpha.b）总方差的逆事先参数


参数：n.digits
number of digits
的位数


参数：print.message.on.screen
if TRUE, process status is shown on screen.
如果为TRUE，进程状态显示在屏幕上。


值----------Value----------


参数：n.gene
numer of genes
numer基因


参数：n.chip
number of chips
芯片数量


参数：n.cond
number of conditions  
数条件


参数：design
design matrix  
设计矩阵


参数：burn.ins
number of burn-ins for MCMC  
烧伤项数的MCMC


参数：n.samples
number of samples for MCMC  
MCMC方法的样本数量


参数：priors
prior parameters  
前参数


参数：m.mu
estimated mean expression intensity for each gene under each condition
每个条件下估计平均每个基因的表达强度


参数：m.x
estimated unobserved expression intensity for each combination of genes, conditions, and individuals (n.layer=2)
观测到的表达强度估计为每一个基因，条件和个人相结合（n.layer = 2）


参数：m.var.b
estimated biological variances (n.layer=2)
估计生物差异（n.layer = 2）


参数：m.var.e
estimated experiemental variances (n.layer=2)
估计experiemental差异（n.layer = 2）


参数：m.var.t
estimated total variances (n.layer=1)
估计总变异（n.layer = 1）


参数：H
H-scores  
H  - 分数


作者（S）----------Author(s)----------



HyungJun Cho and Jae K. Lee




参考文献----------References----------

Bioinformatics, 20: 2016-2025.

参见----------See Also----------

hem.eb.prior,  hem.fdr
hem.eb.prior，hem.fdr


举例----------Examples----------



#Example 1: Two-layer HEM[例1：双层下摆]

data(pbrain)

##construct a design matrix[＃构造设计矩阵]
cond <- c(1,1,1,1,1,1,2,2,2,2,2,2) #condition[条件]
ind  <- c(1,1,2,2,3,3,1,1,2,2,3,3) #biological replicate[生物复制]
rep  <- c(1,2,1,2,1,2,1,2,1,2,1,2) #experimental replicate[实验重复]
design <- data.frame(cond,ind,rep)

##normalization[＃标准化]
pbrain.nor <- hem.preproc(pbrain[,2:13])

##fit HEM with two layers of error[＃适合下摆两层的错误]
##using the small numbers of burn-ins and MCMC samples for a testing purpose;[＃烧伤插件的MCMC样本和测试目的的小数字;]
##but increase the numbers for a practical purpose [＃但为实用目的增加的数量]
#pbrain.hem &lt;- hem(pbrain.nor, n.layer=2, design=design, [pbrain.hem < - 下摆（pbrain.nor，n.layer = 2，设计=设计，]
#                  burn.ins=10, n.samples=30)[burn.ins = 10，n.samples = 30）]

##print H-scores[＃打印的H-分数]
#pbrain.hem$H [pbrain.hem $ H]


#Example 2: One-layer HEM[例2：1层的下摆]

data(mubcp)

##construct a design matrix[＃构造设计矩阵]
cond <- c(rep(1,6),rep(2,5),rep(3,5),rep(4,5),rep(5,5))
ind  <- c(1:6,rep((1:5),4))
design <- data.frame(cond,ind)

##construct a design matrix[＃构造设计矩阵]
mubcp.nor <- hem.preproc(mubcp)

#fit HEM with one layers of error[适合下摆之一层错误]
#using the small numbers of burn-ins and MCMC samples for a testing purpose;[使用烧伤插件的MCMC样本和测试目的的小数字;]
#but increase the numbers for a practical purpose [但增加的实际用途的数字]
#mubcp.hem &lt;- hem(mubcp.nor, n.layer=1,design=design, burn.ins=10, n.samples=30)[mubcp.hem < - 下摆（mubcp.nor，n.layer = 1，设计设计，burn.ins = 10，n.samples = 30）]

##print H-scores[＃打印的H-分数]
#mubcp.hem$H[mubcp.hem $ H]


###NOTE: Use 'hem.fdr' for FDR evaluation[＃注：使用“hem.fdrFDR评价]
###NOTE: Use 'hem.eb.prior' for Empirical Bayes (EB) prior sepecification[＃注：使用“hem.eb.prior经验Bayes（EB）的前sepecification]
###NOTE: Use EB-HEM ('hem' after 'hem.eb.prior') for small data sets[＃注：EB下摆（“下摆”后hem.eb.prior）使用小数据集]


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。