R语言 nem包 getRelevantEGenes()函数中文帮助文档(中英文对照)

loveR

getRelevantEGenes(nem)
getRelevantEGenes()所属R语言包：nem

                                        Automatic selection of most relevant effect reporters
                                         自动选择最相关的影响记者

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

1. A-priori filtering of effect reporters/E-genes: Select effect reporters, which show a pattern of differential expression across experiments that is expected to be non-random.  2. Automated effect reporters subset selection: Select those effect reporters, which have the highest likelihood under the given network hypothesis.
1。一个先验过滤效果记者/ E的基因：选择效果记者，这表明跨越，有望成为非随机实验的差异表达模式。 2。自动生效记者子集选择：选择那些影响记者，根据给定的网络假设的可能性最高。


用法----------Usage----------


filterEGenes(Porig, D, Padj=NULL, ntop=100, fpr=0.05, adjmethod="bonferroni", cutoff=0.05)

getRelevantEGenes(Phi, D, control, nEgenes=min(10*nrow(Phi), nrow(D)))



参数----------Arguments----------

参数：Porig
matrix of raw p-values, typically from the complete array
基质原料p值通常从完整的阵列，


参数：D
data matrix. Columns correspond to the nodes in the silencing scheme. Rows are effect reporters.  
数据矩阵。列对应的沉默计划节点。行是影响记者。


参数：Padj
matrix of false positive rates. If not, provided Benjamini-Hochbergs method for false positive rate computation is used.
矩阵的假阳性率。如果不是，提供Benjamini Hochbergs方法的假阳性率计算使用。


参数：ntop
number of top genes to consider from each knock-down experiment
顶级基因的数量，考虑从每个击倒实验


参数：fpr
significance cutoff for the FDR
FDR的意义截止


参数：adjmethod
adjustment method for pattern p-values
模式p值的调整方法


参数：cutoff
significance cutoff for patterns
为模式的意义截止


参数：Phi
adjacency matrix with unit main diagonal      
邻接矩阵与单位主对角线


参数：control
list of parameters: see set.default.parameters
参数列表：看到set.default.parameters


参数：nEgenes
no. of E-genes to select   
没有。电子基因选择


Details

详情----------Details----------

The method filterEGenes performs an a-priori filtering of the complete microarray. It determines how often E-genes are expected to be differentially expressed across experiments just randomly. According to this only E-genes are chosen, which show a pattern of differential expression more often than can be expected by chance.
方法filterEGenes执行一个完整的芯片A-先验过滤。它决定了多久电子基因差异只是随机在实验表示预计。根据这只是电子基因的选择，这显示出差异表达模式更经常偶然的机会，可以预计。

The method getRelevantEGenes looks for the E-genes, which have the highest likelihood under the given network hypothesis. In case of the scoring type "CONTmLLBayes" these are all E-genes which have a positive contribution to the total log-likelihood. In case of type "CONTmLLMAP" all E-genes not assigned to the "null" S-gene are returned. This involves the prior probability delta/no. S-genes for leaving out an E-gene. For all other cases ("CONTmLL", "FULLmLL", "mLL") the nEgenes E-genes with the highest likelihood under the given network hypothesis are returned.
在的方法getRelevantEGenes看起来的E基因，其中有根据给定的网络假设的可能性最高。在得分类型“CONTmLLBayes”的情况下，这些都是所有的E基因，其中有一个积极的贡献，以总对数似然。在键入“CONTmLLMAP”所有未分配的“空”的S-基因的电子基因的情况下返回。这涉及到的先验概率Delta/没有。留下了一个E基因的S基因。对于所有其他情况下（的“CONTmLL”，“FULLmLL”，“MLL”）根据给定的网络假设的可能性最高的电子基因nEgenes返回。


值----------Value----------


参数：I
index of selected E-genes
选择电子基因指数


参数：dat
subset of original data according to I  
原始数据的一个子集，根据I


参数：patterns
significant patterns
显著模式


参数：nobserved
no. of cases per observed pattern   
没有。每个观察到的模式的情况下


参数：selected
selected E-genes
选择电子基因


参数：mLL
marginal likelihood of a phenotypic hierarchy
表型层次边际的可能性


参数：pos
posterior distribution of effect positions in the hierarchy
在层次结构中的作用位置的后验分布


参数：mappos
Maximum a posteriori estimate of effect positions
最大的效果位置的后验估计


参数：LLperGene
likelihood per selected E-gene
然每选定电子基因


作者（S）----------Author(s)----------


Holger Froehlich



参见----------See Also----------

nem, score, mLL, FULLmLL
nem，score，mLL，FULLmLL


举例----------Examples----------


   # Drosophila RNAi and Microarray Data from Boutros et al, 2002[果蝇RNAi和布特罗斯·等，2002年的微阵列数据]
   data("BoutrosRNAi2002")
   D <- BoutrosRNAiDiscrete[,9:16]

   # enumerate all possible models for 4 genes[枚举所有4个基因可能模式]
   Sgenes = unique(colnames(D))
   models <- enumerate.models(Sgenes)  
   
   getRelevantEGenes(models[[64]], D, control=set.default.parameters(Sgenes, para=c(.13,.05), type="mLL"))


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。