|
|
Contents
I Preprocessing data from genomic experiments 1
1 Preprocessing Overview 3
W. Huber, R. A. Irizarry, and R. Gentleman
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Tasks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Prerequisites . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2 Stepwise and integrated approaches . . . . . . . . . 5
1.3 Data structures . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1 Data sources . . . . . . . . . . . . . . . . . . . . . . 6
1.3.2 Facilities in R and Bioconductor . . . . . . . . . . . 7
1.4 Statistical background . . . . . . . . . . . . . . . . . . . . . 8
1.4.1 An error model . . . . . . . . . . . . . . . . . . . . . 9
1.4.2 The variance-bias trade-off . . . . . . . . . . . . . . 11
1.4.3 Sensitivity and specificity of probes . . . . . . . . . 11
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2 Preprocessing High-density Oligonucleotide Arrays 13
B. M. Bolstad, R. A. Irizarry, L. Gautier, and Z. Wu
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Importing and accessing probe-level data . . . . . . . . . . 15
2.2.1 Importing . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.2 Examining probe-level data . . . . . . . . . . . . . 15
2.3 Background adjustment and normalization . . . . . . . . . 18
2.3.1 Background adjustment . . . . . . . . . . . . . . . . 18
2.3.2 Normalization . . . . . . . . . . . . . . . . . . . . . 20
2.3.3 vsn . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4 Summarization . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.1 expresso . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.2 threestep . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4.3 RMA . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4.4 GCRMA . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4.5 affypdnn . . . . . . . . . . . . . . . . . . . . . . . . 28
viii Contents
2.5 Assessing preprocessing methods . . . . . . . . . . . . . . . 29
2.5.1 Carrying out the assessment . . . . . . . . . . . . . 30
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3 Quality Assessment of Affymetrix GeneChip Data 33
B.M. Bolstad, F. Collin, J. Brettschneider, K. Simpson, L. Cope,
R. A. Irizarry, and T.P. Speed
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Exploratory data analysis . . . . . . . . . . . . . . . . . . . 34
3.2.1 Multi-array approaches . . . . . . . . . . . . . . . . 35
3.3 Affymetrix quality assessment metrics . . . . . . . . . . . . 37
3.4 RNA degradation . . . . . . . . . . . . . . . . . . . . . . . 38
3.5 Probe level models . . . . . . . . . . . . . . . . . . . . . . . 41
3.5.1 Quality diagnostics using PLM . . . . . . . . . . . 42
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4 Preprocessing Two-Color Spotted Arrays 49
Y. H. Yang and A.C. Paquet
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.2 Two-color spotted microarrays . . . . . . . . . . . . . . . . 50
4.2.1 Illustrative data . . . . . . . . . . . . . . . . . . . . 50
4.3 Importing and accessing probe-level data . . . . . . . . . . 51
4.3.1 Importing . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3.2 Reading target information . . . . . . . . . . . . . . 52
4.3.3 Reading probe-related information . . . . . . . . . 53
4.3.4 Reading probe and background intensities . . . . . 54
4.3.5 Data structure: the marrayRaw class . . . . . . . . 54
4.3.6 Accessing the data . . . . . . . . . . . . . . . . . . . 56
4.3.7 Subsetting . . . . . . . . . . . . . . . . . . . . . . . 56
4.4 Quality assessment . . . . . . . . . . . . . . . . . . . . . . . 57
4.4.1 Diagnostic plots . . . . . . . . . . . . . . . . . . . . 57
4.4.2 Spatial plots of spot statistics - image . . . . . . . . 59
4.4.3 Boxplots of spot statistics - boxplot . . . . . . . . . 60
4.4.4 Scatter-plots of spot statistics - plot . . . . . . . . 61
4.5 Normalization. . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.5.1 Two-channel normalization . . . . . . . . . . . . . . 63
4.5.2 Separate-channel normalization . . . . . . . . . . . 64
4.6 Case study . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5 Cell-Based Assays 71
W. Huber and F. Hahne
5.1 Scope . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.2 Experimental technologies . . . . . . . . . . . . . . . . . . 71
5.2.1 Expression assays . . . . . . . . . . . . . . . . . . . 72
5.2.2 Loss of function assays . . . . . . . . . . . . . . . . 72
Contents ix
5.2.3 Monitoring the response . . . . . . . . . . . . . . . 72
5.3 Reading data . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.3.1 Plate reader data . . . . . . . . . . . . . . . . . . . 74
5.3.2 Further directions in normalization . . . . . . . . . 76
5.3.3 FCS format . . . . . . . . . . . . . . . . . . . . . . . 77
5.4 Quality assessment and visualization . . . . . . . . . . . . 79
5.4.1 Visualization at the level of individual cells . . . . 79
5.4.2 Visualization at the level of microtiter plates . . . 82
5.4.3 Brushing with Rggobi . . . . . . . . . . . . . . . . . 83
5.5 Detection of effectors . . . . . . . . . . . . . . . . . . . . . 85
5.5.1 Discrete Response . . . . . . . . . . . . . . . . . . . 85
5.5.2 Continuous response . . . . . . . . . . . . . . . . . . 88
5.5.3 Outlook . . . . . . . . . . . . . . . . . . . . . . . . . 90
6 SELDI-TOF Mass Spectrometry Protein Data 91
X. Li, R. Gentleman, X. Lu, Q. Shi, J. D. Iglehart, L. Harris, and
A. Miron
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2 Baseline subtraction . . . . . . . . . . . . . . . . . . . . . . 93
6.3 Peak detection . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.4 Processing a set of calibration spectra . . . . . . . . . . . . 96
6.4.1 Apply baseline subtraction to a set of spectra . . . 98
6.4.2 Normalize spectra . . . . . . . . . . . . . . . . . . . 99
6.4.3 Cutoff selection . . . . . . . . . . . . . . . . . . . . 100
6.4.4 Identify peaks . . . . . . . . . . . . . . . . . . . . . 101
6.4.5 Quality assessment . . . . . . . . . . . . . . . . . . 101
6.4.6 Get proto-biomarkers . . . . . . . . . . . . . . . . . 102
6.5 An example . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
6.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
II Meta-data: biological annotation and visualization
111
7 Meta-data Resources and Tools in Bioconductor 113
R. Gentleman, V. J. Carey, and J. Zhang
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.2 External annotation resources . . . . . . . . . . . . . . . . 115
7.3 Bioconductor annotation concepts: curated persistent
packages andWeb services . . . . . . . . . . . . . . . . . . 116
7.3.1 Annotating a platform: HG-U95Av2 . . . . . . . . 117
7.3.2 An Example . . . . . . . . . . . . . . . . . . . . . . 118
7.3.3 Annotating a genome . . . . . . . . . . . . . . . . . 119
7.4 The annotate package . . . . . . . . . . . . . . . . . . . . . 119
7.5 Software tools for working with Gene Ontology (GO) . . . 120
x Contents
7.5.1 Basics of working with the GO package . . . . . . . 121
7.5.2 Navigating the hierarchy . . . . . . . . . . . . . . . 122
7.5.3 Searching for terms . . . . . . . . . . . . . . . . . . 122
7.5.4 Annotation of GO terms to LocusLink sequences:
evidence codes . . . . . . . . . . . . . . . . . . . . . 123
7.5.5 The GO graph associated with a term . . . . . . . 125
7.6 Pathway annotation packages: KEGG and cMAP . . . . . . 125
7.6.1 KEGG . . . . . . . . . . . . . . . . . . . . . . . . . 126
7.6.2 cMAP . . . . . . . . . . . . . . . . . . . . . . . . . . 127
7.6.3 A Case Study . . . . . . . . . . . . . . . . . . . . . 129
7.7 Cross-organism annotation: the homology packages . . . . 130
7.8 Annotation from other sources . . . . . . . . . . . . . . . . 132
7.9 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
8 Querying On-line Resources 135
V. J. Carey, D. Temple Lang, J. Gentry, J. Zhang, and R.
Gentleman
8.1 The Tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
8.1.1 Entrez . . . . . . . . . . . . . . . . . . . . . . . . . . 137
8.1.2 Entrez examples . . . . . . . . . . . . . . . . . . . . 137
8.2 PubMed . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
8.2.1 Accessing PubMed information . . . . . . . . . . . 139
8.2.2 Generating HTML output for your abstracts . . . 141
8.3 KEGG via SOAP . . . . . . . . . . . . . . . . . . . . . . . 142
8.4 Getting gene sequence information . . . . . . . . . . . . . . 144
8.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
9 Interactive Outputs 147
C. A. Smith, W. Huber, and R. Gentleman
9.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 147
9.2 A simple approach . . . . . . . . . . . . . . . . . . . . . . . 148
9.3 Using the annaffy package . . . . . . . . . . . . . . . . . . . 149
9.4 Linking to On-line Databases . . . . . . . . . . . . . . . . . 152
9.5 Building HTML pages . . . . . . . . . . . . . . . . . . . . . 153
9.5.1 Limiting the results . . . . . . . . . . . . . . . . . . 153
9.5.2 Annotating the probes . . . . . . . . . . . . . . . . 154
9.5.3 Adding other data . . . . . . . . . . . . . . . . . . . 155
9.6 Graphical displays with drill-down functionality . . . . . . 156
9.6.1 HTML image maps . . . . . . . . . . . . . . . . . . 157
9.6.2 Scalable Vector Graphics (SVG) . . . . . . . . . . . 158
9.7 SearchingMeta-data . . . . . . . . . . . . . . . . . . . . . . 159
9.7.1 Text searching . . . . . . . . . . . . . . . . . . . . . 159
9.8 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . 160
10 Visualizing Data 161
Contents xi
W. Huber, X. Li, and R. Gentleman
10.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 161
10.2 Practicalities . . . . . . . . . . . . . . . . . . . . . . . . . . 162
10.3 High-volume scatterplots . . . . . . . . . . . . . . . . . . . 163
10.3.1 A note on performance . . . . . . . . . . . . . . . . 164
10.4 Heatmaps . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
10.4.1 Heatmaps of residuals . . . . . . . . . . . . . . . . . 168
10.5 Visualizing distances . . . . . . . . . . . . . . . . . . . . . . 170
10.5.1 Multidimensional scaling . . . . . . . . . . . . . . . 173
10.6 Plotting along genomic coordinates . . . . . . . . . . . . . 174
10.6.1 Cumulative Expression . . . . . . . . . . . . . . . . 178
10.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
III Statistical analysis for genomic experiments 181
11 Analysis Overview 183
V. J. Carey and R. Gentleman
11.1 Introduction and road map . . . . . . . . . . . . . . . . . . 183
11.1.1 Distance concepts . . . . . . . . . . . . . . . . . . . 184
11.1.2 Differential expression . . . . . . . . . . . . . . . . . 184
11.1.3 Cluster analysis . . . . . . . . . . . . . . . . . . . . 184
11.1.4 Machine learning. . . . . . . . . . . . . . . . . . . . 184
11.1.5 Multiple comparisons . . . . . . . . . . . . . . . . . 185
11.1.6 Workflow support . . . . . . . . . . . . . . . . . . . 185
11.2 Absolute and relative expression measures . . . . . . . . . 185
12 Distance Measures in DNA Microarray Data Analysis. 189
R. Gentleman, B. Ding, S. Dudoit, and J. Ibrahim
12.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 189
12.2 Distances . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
12.2.1 Definitions . . . . . . . . . . . . . . . . . . . . . . . 191
12.2.2 Distances between points . . . . . . . . . . . . . . . 192
12.2.3 Distances between distributions . . . . . . . . . . . 195
12.2.4 Experiment-specific distances between genes . . . . 198
12.3 Microarray data . . . . . . . . . . . . . . . . . . . . . . . . 199
12.3.1 Distances and standardization . . . . . . . . . . . . 199
12.4 Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
12.4.1 A co-citation example . . . . . . . . . . . . . . . . . 203
12.4.2 Adjacency . . . . . . . . . . . . . . . . . . . . . . . 207
12.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
13 Cluster Analysis of Genomic Data 209
K. S. Pollard and M. J. van der Laan
13.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 209
xii Contents
13.2 Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
13.2.1 Overview of clustering algorithms . . . . . . . . . . 210
13.2.2 Ingredients of a clustering algorithm . . . . . . . . 211
13.2.3 Building sequences of clustering results . . . . . . . 211
13.2.4 Visualizing clustering results . . . . . . . . . . . . . 214
13.2.5 Statistical issues in clustering . . . . . . . . . . . . 215
13.2.6 Bootstrapping a cluster analysis . . . . . . . . . . . 216
13.2.7 Number of clusters . . . . . . . . . . . . . . . . . . 217
13.3 Application: renal cell cancer . . . . . . . . . . . . . . . . . 222
13.3.1 Gene selection . . . . . . . . . . . . . . . . . . . . . 222
13.3.2 HOPACH clustering of genes . . . . . . . . . . . . . 223
13.3.3 Comparison with PAM . . . . . . . . . . . . . . . . 224
13.3.4 Bootstrap resampling . . . . . . . . . . . . . . . . . 224
13.3.5 HOPACH clustering of arrays . . . . . . . . . . . . 224
13.3.6 Output files . . . . . . . . . . . . . . . . . . . . . . . 226
13.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
14 Analysis of Differential Gene Expression Studies 229
D. Scholtens and A. von Heydebreck
14.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 229
14.2 Differential expression analysis . . . . . . . . . . . . . . . . 230
14.2.1 Example: ALL data . . . . . . . . . . . . . . . . . . 232
14.2.2 Example: Kidney cancer data . . . . . . . . . . . . 236
14.3 Multifactor experiments . . . . . . . . . . . . . . . . . . . . 239
14.3.1 Example: Estrogen data . . . . . . . . . . . . . . . 241
14.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
15 Multiple Testing Procedures: the multtest Package and
Applications to Genomics 249
K. S. Pollard, S. Dudoit, and M. J. van der Laan
15.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 249
15.2 Multiple hypothesis testing methodology . . . . . . . . . . 250
15.2.1 Multiple hypothesis testing framework . . . . . . . 250
15.2.2 Test statistics null distribution . . . . . . . . . . . . 255
15.2.3 Single-step procedures for controlling general
Type I error rates θ(FVn) . . . . . . . . . . . . . . . 256
15.2.4 Step-down procedures for controlling the
family-wise error rate . . . . . . . . . . . . . . . . . 257
15.2.5 Augmentation multiple testing procedures for
controlling tail probability error rates . . . . . . . . 258
15.3 Software implementation: R multtest package . . . . . . . 259
15.3.1 Resampling-based multiple testing procedures:
MTP function . . . . . . . . . . . . . . . . . . . . . . 260
15.3.2 Numerical and graphical summaries . . . . . . . . . 262
15.4 Applications: ALL microarray data set . . . . . . . . . . . 262
Contents xiii
15.4.1 ALL data package and initial gene filtering . . . . . 262
15.4.2 Association of expression measures and tumor
cellular subtype: Two-sample t-statistics . . . . . . 263
15.4.3 Augmentation procedures . . . . . . . . . . . . . . 265
15.4.4 Association of expression measures and tumor
molecular subtype: Multi-sample F-statistics . . . 266
15.4.5 Association of expression measures and time to
relapse: Cox t-statistics . . . . . . . . . . . . . . . . 268
15.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
16 Machine Learning Concepts and Tools for Statistical
Genomics 273
V. J. Carey
16.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 273
16.2 Illustration: Two continuous features; decision regions . . 274
16.3 Methodological issues . . . . . . . . . . . . . . . . . . . . . 276
16.3.1 Families of learning methods . . . . . . . . . . . . . 276
16.3.2 Model assessment . . . . . . . . . . . . . . . . . . . 281
16.3.3 Metatheorems on learner and feature selection . . 283
16.3.4 Computing interfaces . . . . . . . . . . . . . . . . . 284
16.4 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . 285
16.4.1 Exploring and comparing classifiers with the ALL
data . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
16.4.2 Neural net initialization, convergence, and tuning . 287
16.4.3 Other methods . . . . . . . . . . . . . . . . . . . . . 287
16.4.4 Structured cross-validation support . . . . . . . . . 288
16.4.5 Assessing variable importance . . . . . . . . . . . . 289
16.4.6 Expression density diagnostics . . . . . . . . . . . . 289
16.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
17 Ensemble Methods of Computational Inference 293
T. Hothorn, M. Dettling, and P. B¨uhlmann
17.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 293
17.2 Bagging and random forests . . . . . . . . . . . . . . . . . 295
17.3 Boosting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 296
17.4 Multiclass problems . . . . . . . . . . . . . . . . . . . . . . 298
17.5 Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . 298
17.6 Applications: tumor prediction . . . . . . . . . . . . . . . 300
17.6.1 Acute lymphoblastic leukemia . . . . . . . . . . . . 300
17.6.2 Renal cell cancer . . . . . . . . . . . . . . . . . . . . 303
17.7 Applications: Survival analysis . . . . . . . . . . . . . . . 307
17.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
18 Browser-based Affymetrix Analysis and Annotation 313
xiv Contents
C. A. Smith
18.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 313
18.1.1 Key user interface features . . . . . . . . . . . . . . 314
18.2 Deploying webbioc . . . . . . . . . . . . . . . . . . . . . . . 315
18.2.1 System requirements . . . . . . . . . . . . . . . . . 315
18.2.2 Installation . . . . . . . . . . . . . . . . . . . . . . . 315
18.2.3 Configuration. . . . . . . . . . . . . . . . . . . . . . 316
18.3 Using webbioc . . . . . . . . . . . . . . . . . . . . . . . . . 317
18.3.1 Data Preprocessing . . . . . . . . . . . . . . . . . . 317
18.3.2 Differential expression multiple testing . . . . . . . 318
18.3.3 Linked annotation meta-data . . . . . . . . . . . . 320
18.3.4 Retrieving results . . . . . . . . . . . . . . . . . . . 321
18.4 Extending webbioc . . . . . . . . . . . . . . . . . . . . . . . 322
18.4.1 Architectural overview . . . . . . . . . . . . . . . . 322
18.4.2 Creating a new module . . . . . . . . . . . . . . . . 324
18.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 326
IV Graphs and networks 327
19 Introduction and Motivating Examples 329
R. Gentleman, W. Huber, and V. J. Carey
19.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 329
19.2 Practicalities . . . . . . . . . . . . . . . . . . . . . . . . . . 330
19.2.1 Representation . . . . . . . . . . . . . . . . . . . . . 330
19.2.2 Algorithms . . . . . . . . . . . . . . . . . . . . . . . 330
19.2.3 Data Analysis . . . . . . . . . . . . . . . . . . . . . 331
19.3 Motivating examples . . . . . . . . . . . . . . . . . . . . . . 331
19.3.1 Biomolecular Pathways . . . . . . . . . . . . . . . . 331
19.3.2 Gene ontology: A graph of concept-terms . . . . . 333
19.3.3 Graphs induced by literature references and
citations . . . . . . . . . . . . . . . . . . . . . . . . . 334
19.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 336
20 Graphs 337
W. Huber, R. Gentleman, and V. J. Carey
20.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . 337
20.2 Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . 338
20.2.1 Special types of graphs . . . . . . . . . . . . . . . . 341
20.2.2 Random graphs . . . . . . . . . . . . . . . . . . . . 343
20.2.3 Node and edge labeling . . . . . . . . . . . . . . . . 344
20.2.4 Searching and related algorithms . . . . . . . . . . 344
20.3 Cohesive subgroups . . . . . . . . . . . . . . . . . . . . . . 344
20.4 Distances . . . . . . . . . . . . . . . . . . . . . . . . . . . . 346
Contents xv
21 Bioconductor Software for Graphs 347
V. J. Carey, R. Gentleman, W. Huber, and J. Gentry
21.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 347
21.2 The graph package . . . . . . . . . . . . . . . . . . . . . . . 348
21.2.1 Getting started. . . . . . . . . . . . . . . . . . . . . 349
21.2.2 Random graphs . . . . . . . . . . . . . . . . . . . . 352
21.3 The RBGL package . . . . . . . . . . . . . . . . . . . . . . 352
21.3.1 Connected graphs . . . . . . . . . . . . . . . . . . . 355
21.3.2 Paths and related concepts . . . . . . . . . . . . . . 357
21.3.3 RBGL summary . . . . . . . . . . . . . . . . . . . . 360
21.4 Drawing graphs . . . . . . . . . . . . . . . . . . . . . . . . . 360
21.4.1 Global attributes . . . . . . . . . . . . . . . . . . . 363
21.4.2 Node and edge attributes . . . . . . . . . . . . . . . 363
21.4.3 The function agopen and the Ragraph class . . . . 365
21.4.4 User-defined drawing functions . . . . . . . . . . . 366
21.4.5 Image maps on graphs . . . . . . . . . . . . . . . . 368
22 Case Studies Using Graphs on Biological Data 369
R. Gentleman, D. Scholtens, B. Ding, V. J. Carey, and W. Huber
22.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 369
22.2 Comparing the transcriptome and the interactome . . . . 370
22.2.1 Testing associations . . . . . . . . . . . . . . . . . . 371
22.2.2 Data analysis . . . . . . . . . . . . . . . . . . . . . . 373
22.3 Using GO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 374
22.3.1 Finding interesting GO terms . . . . . . . . . . . . 375
22.4 Literature co-citation . . . . . . . . . . . . . . . . . . . . . 378
22.4.1 Statistical development . . . . . . . . . . . . . . . . 380
22.4.2 Comparisons of interest . . . . . . . . . . . . . . . . 382
22.4.3 Examples . . . . . . . . . . . . . . . . . . . . . . . . 382
22.5 Pathways . . . . . . . . . . . . . . . . . . . . . . . . . . . . 387
22.5.1 The graph structure of pathways . . . . . . . . . . 388
22.5.2 Relating expression data to pathways . . . . . . . . 390
22.6 Concluding remarks . . . . . . . . . . . . . . . . . . . . . . 393
V Case studies 395
23 limma: Linear Models for Microarray Data 397
G. K. Smyth
23.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 397
23.2 Data representations . . . . . . . . . . . . . . . . . . . . . . 398
23.3 Linear models . . . . . . . . . . . . . . . . . . . . . . . . . . 399
23.4 Simple comparisons . . . . . . . . . . . . . . . . . . . . . . 400
23.5 Technical Replication . . . . . . . . . . . . . . . . . . . . . 403
23.6 Within-array replicate spots . . . . . . . . . . . . . . . . . 406
xvi Contents
23.7 Two groups . . . . . . . . . . . . . . . . . . . . . . . . . . . 407
23.8 Several groups . . . . . . . . . . . . . . . . . . . . . . . . . 409
23.9 Direct two-color designs . . . . . . . . . . . . . . . . . . . . 411
23.10 Factorial designs . . . . . . . . . . . . . . . . . . . . . . . . 412
23.11 Time course experiments . . . . . . . . . . . . . . . . . . . 414
23.12 Statistics for differential expression . . . . . . . . . . . . . 415
23.13 Fitted model objects . . . . . . . . . . . . . . . . . . . . . . 417
23.14 Preprocessing considerations . . . . . . . . . . . . . . . . . 418
23.15 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 420
24 Classification with Gene Expression Data 421
M. Dettling
24.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 421
24.2 Reading and customizing the data . . . . . . . . . . . . . . 422
24.3 Training and validating classifiers . . . . . . . . . . . . . . 423
24.4 Multiple random divisions . . . . . . . . . . . . . . . . . . . 426
24.5 Classification of test data . . . . . . . . . . . . . . . . . . . 428
24.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 429
25 From CEL Files to Annotated Lists of Interesting Genes 431
R. A. Irizarry
25.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 431
25.2 Reading CEL files . . . . . . . . . . . . . . . . . . . . . . . 432
25.3 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . 432
25.4 Ranking and filtering genes . . . . . . . . . . . . . . . . . . 433
25.4.1 Summary statistics and tests for ranking . . . . . . 434
25.4.2 Selecting cutoffs . . . . . . . . . . . . . . . . . . . . 437
25.4.3 Comparison . . . . . . . . . . . . . . . . . . . . . . . 437
25.5 Annotation . . . . . . . . . . . . . . . . . . . . . . . . . . . 438
25.5.1 PubMed abstracts . . . . . . . . . . . . . . . . . . . 439
25.5.2 Generating reports . . . . . . . . . . . . . . . . . . 441
25.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 442
A Details on selected resources 443
A.1 Data sets . . . . . . . . . . . . . . . . . . . . . . . . . . . . 443
A.1.1 ALL . . . . . . . . . . . . . . . . . . . . . . . . . . . 443
A.1.2 Renal cell cancer . . . . . . . . . . . . . . . . . . . . 443
A.1.3 Estrogen receptor stimulation . . . . . . . . . . . . 443
A.2 URLs for projects mentioned . . . . . . . . . . . . . . . . . 444
References 445
Index 465
非常实用的生物信息学工作手册，貌似在本站还没有 |
|
发表于 2013-6-20 17:46:15
