Day9-生信人的20个R语言习题-2019-06-18-未完

生信人的20个R语言习题

请先看：生信人的linux考试

1. 安装一些R包：
   数据包： ALL, CLL, pasilla, airway
   软件包：limma，DESeq2，clusterProfiler
   工具包：reshape2
   绘图包：ggplot2
   不同领域的R包使用频率不一样，在生物信息学领域，尤其需要掌握bioconductor系列包。

1 安装R包
# rm(list = ls()) 
  options()$repos 
  options()$BioC_mirror
  options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/")
  options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
  options()$repos 
  options()$BioC_mirror
if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install(c(" ALL","CLL","pasilla","airway" ),ask = F,update = F) #数据包,ask=F表示不询问中间过程和不升级
BiocManager::install(c("limma","DESeq2","clusterProfiler" ),ask = F,update = F) # 软件包
BiocManager::install(c("genefu","org.Hs.eg.db","hgu133plus2.db" ),ask = F,update = F)
BiocManager::install(c("reshape2"),ask = F,update = F) # 工具包
BiocManager::install(c("ggplot2"),ask = F,update = F) # 绘图包
#另外可以检测某个包是否存在，只有不存在时才会安装 if (! require ('CLL')){ options(BioC_mirror="http://mirrors.ustc.edu.cn/bioc/") 
    BiocInstaller::biocLite('CLL',ask = F, suppressUpdates = T) } 

2. 了解ExpressionSet对象，比如CLL包里面就有data(sCLLex) ，找到它包含的元素，提取其表达矩阵(使用exprs函数)，查看其大小
   1. 参考：http://www.bio-info-trainee.com/bioconductor_China/software/limma.html
   2. 参考：https://github.com/bioconductor-china/basic/blob/master/ExpressionSet.md

suppressPackageStartupMessages(library(CLL))
data(sCLLex)
exprSet=exprs(sCLLex)
##sCLLex是依赖于CLL这个package的一个对象
samples=sampleNames(sCLLex)
pdata=pData(sCLLex)
group_list=as.character(pdata[,2])
dim(exprSet)
# [1] 12625    22
exprSet[1:5,1:5]
#            CLL11.CEL CLL12.CEL CLL13.CEL CLL14.CEL CLL15.CEL
# 1000_at    5.743132  6.219412  5.523328  5.340477  5.229904
# 1001_at    2.285143  2.291229  2.287986  2.295313  2.662170
# 1002_f_at  3.309294  3.318466  3.354423  3.327130  3.365113
# 1003_s_at  1.085264  1.117288  1.084010  1.103217  1.074243
# 1004_at    7.544884  7.671801  7.474025  7.152482  6.902932

3. 了解 str,head,help函数，作用于 第二步提取到的表达矩阵

str(exprSet)
# str: Compactly display the internal structure of an R object, a diagnostic function and an alternative to summary (and to some extent, dput).
head(exprSet)

4. 安装并了解 hgu95av2.db 包,看看 ls("package:hgu95av2.db") 后 显示的那些变量

BiocManager::install("hgu95av2.db")
library("hgu95av2.db")
ls("package:hgu95av2.db")

[1] "hgu95av2"              "hgu95av2.db"           "hgu95av2_dbconn"       "hgu95av2_dbfile"      
 [5] "hgu95av2_dbInfo"       "hgu95av2_dbschema"     "hgu95av2ACCNUM"        "hgu95av2ALIAS2PROBE"  
 [9] "hgu95av2CHR"           "hgu95av2CHRLENGTHS"    "hgu95av2CHRLOC"        "hgu95av2CHRLOCEND"    
[13] "hgu95av2ENSEMBL"       "hgu95av2ENSEMBL2PROBE" "hgu95av2ENTREZID"      "hgu95av2ENZYME"       
[17] "hgu95av2ENZYME2PROBE"  "hgu95av2GENENAME"      "hgu95av2GO"            "hgu95av2GO2ALLPROBES" 
[21] "hgu95av2GO2PROBE"      "hgu95av2MAP"           "hgu95av2MAPCOUNTS"     "hgu95av2OMIM"         
[25] "hgu95av2ORGANISM"      "hgu95av2ORGPKG"        "hgu95av2PATH"          "hgu95av2PATH2PROBE"   
[29] "hgu95av2PFAM"          "hgu95av2PMID"          "hgu95av2PMID2PROBE"    "hgu95av2PROSITE"      
[33] "hgu95av2REFSEQ"        "hgu95av2SYMBOL"        "hgu95av2UNIGENE"       "hgu95av2UNIPROT"   

5. 理解 head(toTable(hgu95av2SYMBOL)) 的用法，找到 TP53 基因对应的探针ID

6. 理解探针与基因的对应关系，总共多少个基因，基因最多对应多少个探针，是哪些基因，是不是因为这些基因很长，所以在其上面设计多个探针呢？
7. 第二步提取到的表达矩阵是12625个探针在22个样本的表达量矩阵，找到那些不在 hgu95av2.db包收录的对应着SYMBOL的探针。
   1. 提示：有1165个探针是没有对应基因名字的。
8. 过滤表达矩阵，删除那1165个没有对应基因名字的探针。
9. 整合表达矩阵，多个探针对应一个基因的情况下，只保留在所有样本里面平均表达量最大的那个探针。
   1. 提示，理解 tapply,by,aggregate,split 函数 , 首先对每个基因找到最大表达量的探针。
   2. 然后根据得到探针去过滤原始表达矩阵
10. 把过滤后的表达矩阵更改行名为基因的symbol，因为这个时候探针和基因是一对一关系了。
11. 对第10步得到的表达矩阵进行探索，先画第一个样本的所有基因的表达量的boxplot,hist,density ， 然后画所有样本的 这些图
12. 参考：http://bio-info-trainee.com/tmp/basic_visualization_for_expression_matrix.html
13. 理解ggplot2的绘图语法，数据和图形元素的映射关系
14. 理解统计学指标mean,median,max,min,sd,var,mad并计算出每个基因在所有样本的这些统计学指标，最后按照mad值排序，取top 50 mad值的基因，得到列表。
15. 注意：这个题目出的并不合规，请仔细看。
16. 根据第12步骤得到top 50 mad值的基因列表来取表达矩阵的子集，并且热图可视化子表达矩阵。试试看其它5种热图的包的不同效果。
17. 取不同统计学指标mean,median,max,mean,sd,var,mad的各top50基因列表，使用UpSetR包来看他们之间的overlap情况。
18. 在第二步的基础上面提取CLL包里面的data(sCLLex) 数据对象的样本的表型数据。
19. 对所有样本的表达矩阵进行聚类并且绘图，然后添加样本的临床表型数据信息(更改样本名)
20. 对所有样本的表达矩阵进行PCA分析并且绘图，同样要添加表型信息。
21. 根据表达矩阵及样本分组信息进行批量T检验，得到检验结果表格
22. 使用limma包对表达矩阵及样本分组信息进行差异分析，得到差异分析表格，重点看logFC和P值，画个火山图(就是logFC和-log10(P值)的散点图。)。
23. 对T检验结果的P值和limma包差异分析的P值画散点图，看看哪些基因相差很大。