生信人的20个R语言习题-2019-06-20

生信人的20个R语言习题

生信技能树原文链接

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。

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
3. 了解 str,head,help函数，作用于 第二步提取到的表达矩阵
4. 安装并了解 hgu95av2.db 包,看看 ls("package:hgu95av2.db") 后 显示的那些变量
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。