找回密码
 注册
查看: 548|回复: 0

R语言 puma包 bcomb()函数中文帮助文档(中英文对照)

[复制链接]
发表于 2012-2-26 11:31:38 | 显示全部楼层 |阅读模式
bcomb(puma)
bcomb()所属R语言包:puma

                                        Combining replicates for each condition
                                         结合复制的每个条件

                                         译者:生物统计家园网 机器人LoveR

描述----------Description----------

This function calculates the combined signal for each condition from replicates  using Bayesian models. The inputs are gene expression levels and the probe-level standard deviation associated with expression measurement for each gene on each chip. The outputs include gene expression levels and standard deviation for each condition. This function was originally part of the pplr package. Although this function can be called directly, it is recommended to use the pumaComb function instead, which can work directly on ExpressionSet objects, and can automatically determine which arrays are replicates.
此函数计算每个条件从重复使用贝叶斯模型的混合信号。输入基因表达水平,并为每个芯片上的每个基因表达测量探针级标准偏差。输出包括基因表达水平,并为每个条件的标准偏差。这项功能是最初pplr包的一部分。虽然可以直接调用这个函数,它被推荐使用pumaComb函数来代替,它可以直接ExpressionSet对象,并能自动判断该阵列的复制。


用法----------Usage----------


bcomb(e, se, replicates, method=c("map","em"),
      gsnorm=FALSE, nsample=1000, eps=1.0e-6)



参数----------Arguments----------

参数:e
a data frame containing the expression level for each gene on each chip.  
一个数据框包含的每个芯片上的每个基因的表达水平。


参数:se
a data frame containing the standard deviation of gene expression levels.  
一个数据框包含的基因表达水平的标准偏差。


参数:replicates
a vector indicating which chip belongs to which condition.  
向量表示该芯片属于哪种条件。


参数:method
character specifying the method algorithm used.
字符指定所使用的方法的算法。


参数:gsnorm
logical specifying whether do global scaling normalisation or not.  
逻辑指定是否做全球或不缩放标准化。


参数:nsample
integer. The number of sampling in parameter estimation.  
整数。在参数估计的抽样数量。


参数:eps
a numeric, optimisation parameter.  
一个数字,优化参数。


Details

详情----------Details----------

Each element in replicate represents the condition of the chip which is in the same column order as in the expression and standard deviation matrix files.
在复制的每个元素代表的芯片,这是在相同的列顺序中的表达和标准偏差矩阵文件的条件。

Method "map" uses MAP of a hierarchical Bayesion model with Gamma prior on the between-replicate variance (Gelman et.al. p.285) and shares the same variance across conditions. This method is fast and suitable for the case where there are many conditions.
“图”使用方法的与伽玛层次Bayesion,模型图的复制之间的差异(吉尔曼等人p.285)之前和共享跨相同的条件方差。这种方法是快速的和适宜的情况下,有许多条件。

Method "em" uses variational inference of the same hierarchical Bayesion model as in method "map" but with conjugate prior on between-replicate variance and shares the variance across conditions.
“EM”方法使用“图”的方法,但共轭变同一层次Bayesion模型推理之前复制之间的差异和股份跨条件方差。

The parameter nsample should be large enough to ensure stable parameter estimates. Should be at least 1000.
参数NSample的应该足够大,以确保稳定的参数估计。至少应为1000。


值----------Value----------

The result is a data frame with components named 'M1', 'M2', and so on, which represent the mean expression values for condition 1, condition 2, and so on. It also has components named 'Std1', 'Std2', and so on, which represent the standard deviation of the gene expression values for condition 1, condtion 2, and so on.
结果是一个名为“M1,M2的”,等等,代表的条件1,条件2的平均表达值,等组件的数据框。它也有组件名为STD1,STD2“,等等,代表的条件1,condtion 2的基因表达值的标准偏差,等等。


作者(S)----------Author(s)----------


Xuejun Liu, Marta Milo, Neil D. Lawrence, Magnus Rattray



参考文献----------References----------




参见----------See Also----------

Related methods pumaComb, mmgmos and pplr
相关的方法pumaComb,mmgmos和pplr


举例----------Examples----------


  data(exampleE)
  data(exampleStd)
  r<-bcomb(exampleE,exampleStd,replicates=c(1,1,1,2,2,2),method="map")

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。
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 注册

本版积分规则

手机版|小黑屋|生物统计家园 网站价格

GMT+8, 2025-2-1 01:00 , Processed in 0.021319 second(s), 16 queries .

Powered by Discuz! X3.5

© 2001-2024 Discuz! Team.

快速回复 返回顶部 返回列表