R语言 gaga包 findgenes()函数中文帮助文档(中英文对照)

loveR

findgenes(gaga)
findgenes()所属R语言包：gaga

                                         Find differentially expressed genes after GaGa fit.
                                         找到后GAGA适合差异基因表达。

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

Obtains a list of differentially expressed genes using the posterior probabilities from a GaGa or MiGaGa fit. For parametric==TRUE the procedure controls the Bayesian FDR below fdrmax. For parametric==FALSE it controls the estimated frequentist FDR.
获得一个从一个GAGA或MiGaGa适合的中使用的后验概率的基因，差异表达的名单。 parametric==TRUE过程控制下面fdrmax贝叶斯FDR。 parametric==FALSE它的的估计frequentistFDR控制。


用法----------Usage----------


findgenes(gg.fit, x, groups, fdrmax=.05, parametric=TRUE, B=500)



参数----------Arguments----------

参数：gg.fit
GaGa or MiGaGa fit (object of type gagafit, as returned by fitGG).  
GAGA或MiGaGa合适的类型gagafit，fitGG返回的对象。


参数：x
ExpressionSet, exprSet, data frame or matrix containing the gene expression measurements used to fit the model.
ExpressionSet，exprSet，数据框或矩阵包含用于拟合模型的基因表达测量。


参数：groups
If x is of type ExpressionSet or exprSet, groups should be the name of the column in pData(x) with the groups that one wishes to compare. If x is a matrix or a data frame, groups should be a vector indicating to which group each column in x corresponds to.
x如果类型ExpressionSet或exprSet，groups应该是列名pData(x)一个愿望比较组。 x如果是一个矩阵或一个数据框，groups应该是哪一组x中的每一列对应的向量。


参数：fdrmax
Upper bound on FDR. </table>
在FDR的上的约束。 </ TABLE>


参数：parametric
Set to TRUE to use the Bayes rule. Set to FALSE to estimate the frequentist FDR non-parametrically.
设置TRUE使用贝叶斯规则。设置FALSE估计frequentist的FDR非参数化。“


参数：B
Number of boostrap samples to estimate FDR non-parametrically (ignored if parametric==TRUE)
自举样品的数量估计FDR的非参数化（忽略如果parametric==TRUE）


Details

详情----------Details----------

The Bayes rule to minimize expected FNR subject to FDR <=fdrmax declares differentially expressed all genes with posterior probability of being equally expressed below a certain threshold. The value of the threshold is computed exactly for parametric==TRUE, FDR being defined in a Bayesian sense. For parametric==FALSE the FDR is defined in a frequentist sense.
贝叶斯规则，以尽量减少预期的FNR受FDR<=fdrmax声明所有被同样表示低于某一阈值后验概率差异表达基因。阈值计算准确，parametric==TRUEFDR贝叶斯意义上的定义。 parametric==FALSEFDR是在frequentist感的定义。


值----------Value----------

List with components:
与组件列表：


参数：truePos
Expected number of true positives.
真阳性的预计数。


参数：d
Vector indicating the pattern that each gene is assigned to.
向量表明，每个基因被分配到的模式。


参数：fdr
Frequentist estimated FDR that is closest to fdrmax.
估计FDRfrequentist最接近到fdrmax的。


参数：fdrpar
Bayesian FDR. If parametric==TRUE, this is equal to fdrmax. If parametric==FALSE, it's the Bayesian FDR needed to achieve frequentist estimated FDR=fdrmax.
贝叶斯FDR。如果parametric==TRUE，这是平等fdrmax。如果parametric==FALSE，它的贝叶斯FDR需要实现frequentist估计FDR=fdrmax。


参数：fdrest
Data frame with estimated frequentist FDR for each target Bayesian FDR
估计frequentistFDR为每个目标贝叶斯FDR的数据框


参数：fnr
Bayesian FNR
贝叶斯的FNR


参数：power
Bayesian power as estimated by expected number of true positives divided by the expected number of differentially expressed genes
贝叶斯权力预期的真阳性数除以预期的差异表达基因数量的估计


参数：threshold
Optimal threshold for posterior probability of equal expression (genes with probability < threshold are declared DE)
平等表达的后验概率的最优阈值（概率<threshold被宣布的基因）


作者（S）----------Author(s)----------


David Rossell



参考文献----------References----------

flexible hierarchical model for microarray

参见----------See Also----------

fitGG, parest
fitGG，parest


举例----------Examples----------


#Not run. Example from the help manual[无法运行。例如，从帮助手册]
#library(gaga)[库（加加）]
#set.seed(10)[set.seed（10）]
#n &lt;- 100; m &lt;- c(6,6)[N < -  100米< -  C（6,6）]
#a0 &lt;- 25.5; nu &lt;- 0.109[A0 < -  25.5; NU < -  0.109]
#balpha &lt;- 1.183; nualpha &lt;- 1683[balpha < -  1.183; nualpha < -  1683]
#probpat &lt;- c(.95,.05)[probpat < -  C（0.95，0.05）]
#xsim &lt;- simGG(n,m,p.de=probpat[2],a0,nu,balpha,nualpha)[simGG XSIM < - （N，M，p.de = probpat [2]，A0，Nu，balpha，nualpha）]
#[]
#ggfit &lt;- fitGG(xsim$x[,c(-6,-12)],groups,patterns=patterns,nclust=1)[ggfit < -  fitGG（XSIM $ X，C（-6，-12），团体，花纹图案，nclust = 1）]
#ggfit &lt;- parest(ggfit,x=xsim$x[,c(-6,-12)],groups,burnin=100,alpha=.05)[ggfit < -  parest（ggfit，X = XSIM $ X [，C（-6，-12），团体，燃尽= 100，α= .05）]
#[]
#d &lt;- findgenes(ggfit,xsim$x[,c(-6,-12)],groups,fdrmax=.05,parametric=TRUE)[D < -  findgenes（ggfit，XSIM $ X，C（-6，-12），团体，fdrmax = .05，参数= TRUE时）]
#dtrue &lt;- (xsim$l[,1]!=xsim$l[,2])[dtrue < - （XSIM $ L [1] = XSIM $ L [，2]）]
#table(d$d,dtrue)[表（D $ D，dtrue）]

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。