samr.compute.siggenes.table(samr)
samr.compute.siggenes.table()所属R语言包：samr
Compute significant genes table
计算显着的基因表
译者：生物统计家园网 机器人LoveR
描述----------Description----------
Computes significant genes table, starting with samr object "samr.obj" and delta.table "delta.table"
计算显着的基因表，从SAMR的对象“samr.obj”和delta.table“delta.table开始”
用法----------Usage----------
samr.compute.siggenes.table(samr.obj, del, data, delta.table,
min.foldchange=0, all.genes=FALSE, compute.localfdr=FALSE)
参数----------Arguments----------
参数：samr.obj
Object returned from call to samr
返回的对象调用SAMR
参数：del
Value of delta to define cutoff rule
Delta值来定义截止规则
参数：data
Data object, same as that used in call to samr
数据对象，用于调用SAMR相同
参数：delta.table
Object returned from call to samr.compute.delta.table
返回的对象从调用samr.compute.delta.table的
参数：min.foldchange
The minimum fold change desired; should be >1; default is zero, meaning no fold change criterion is applied
变化所需的最低倍;> 1，默认值是零，这意味着没有倍数的改变标准的应用
参数：all.genes
Should all genes be listed? Default FALSE
如果所有的基因上市？默认为false
参数：compute.localfdr
Should the local fdrs be computed (this can take some time)? Default FALSE
如果当地FDRS计算（这可能需要一些时间）？默认为false
值----------Value----------
return(list(genes.up=res.up, genes.lo=res.lo, color.ind.for.multi=color.ind.for.multi, ngenes.up=ngenes.up, ngenes.lo=ngenes.lo))
回报率（列表（genes.up = res.up，genes.lo = res.lo，color.ind.for.multi = color.ind.for.multi，ngenes.up = ngenes.up，ngenes.lo = ngenes。 LO））
<table summary="R valueblock"> <tr valign="top"><td>genes.up</td> <td> Matrix of significant genes having posative correlation with the outcome. For survival data, genes.up are those genes having positive correlation with risk- that is, increased expression corresponds to higher risk (shorter survival).</td></tr> <tr valign="top"><td>genes.lo</td> <td> Matrix of significant genes having negative correlation with the outcome. For survival data,genes. lo are those whose increased expression corresponds to lower risk (longer survival).</td></tr> <tr valign="top"><td>color.ind.for.multi</td> <td> For multiclass response: a matrix with entries +1 if the class mean is larger than the overall mean at the 95 levels, -1 if less, and zero otehrwise. This is useful in determining which class or classes causes a feature to be significant</td></tr> <tr valign="top"><td>ngenes.up</td> <td> Number of significant genes with positive correlation</td></tr> <tr valign="top"><td>ngenes.lo</td> <td> Number of significant genes with negative correlation</td></tr> </table>
<table summary="R valueblock"> <tr valign="top"> <TD> genes.up</ TD>的结果posative相关的重要基因<TD>矩阵。为了生存数据，genes.up这些基因具有正相关性表达增加风险，也就是说，对应于高风险（生存期短）。</ TD> </ TR> <tr valign="top"> <TD> genes.lo </ TD> <TD>矩阵的重要基因呈负相关的结果。为了生存数据，基因。 LO的表达增加，相当于降低风险（存活时间较长）。</ TD> </ TR> <tr valign="top"> <TD>color.ind.for.multi </ TD> <TD>的多响应：条目1的矩阵，如果类平均值大于95层面的整体平均，-1，如果少，和零otehrwise。这是有用的，以确定其中一类或多类会导致显著</ TD> </ TR> <tr valign="top"> <TD>ngenes.up </ TD> <TD>数显着基因的功能，具有正相关性</ TD> </ TR> <tr valign="top"> <TD>ngenes.lo </ TD> <TD>数呈负相关的重要基因</ TD> </ TR> < / TABLE>
（作者）----------Author(s)----------
Balasubrimanian Narasimhan and Robert Tibshirani
参考文献----------References----------
Significance analysis of microarrays applied to the ionizing radiation response" PNAS 2001 98: 5116-5121, (Apr 24).
实例----------Examples----------
#generate some example data[产生一些示例数据]
set.seed(100)
x<-matrix(rnorm(1000*20),ncol=20)
dd<-sample(1:1000,size=100)
u<-matrix(2*rnorm(100),ncol=10,nrow=100)
x[dd,11:20]<-x[dd,11:20]+u
y<-c(rep(1,10),rep(2,10))
data=list(x=x,y=y, geneid=as.character(1:nrow(x)),
genenames=paste("g",as.character(1:nrow(x)),sep=""), logged2=TRUE)
samr.obj<-samr(data, resp.type="Two class unpaired", nperms=100)
delta.table<-samr.compute.delta.table(samr.obj)
del<- 0.3
siggenes.table<- samr.compute.siggenes.table(samr.obj, del, data, delta.table)
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。
|
发表于 2012-9-29 22:11:26
