練習(xí)一

用mas5方法計(jì)算每個(gè)探針的表達(dá)是否是真實(shí)的，可以用mas5calss()實(shí)現(xiàn)，結(jié) 果中P,M,A分別表示present(表達(dá)),margina,absent(未表達(dá)),請(qǐng)將至少在一個(gè)樣本中表 達(dá)的探針提取出來(lái)，并寫入本地result文件夾中(要求：提交代碼和文件)

  mas5calls <- mas5calls(raw)
  exp.mas5calls <- exprs(mas5calls)
  AP <- apply(exp.mas5calls , 1, function(x)any(x=="P"))
  exp.mas5calls.filted <- exp.mas5calls[AP,]
  write.table(exp.mas5calls.filted,"exp.mas5calls.filted.txt")

提取至少在一個(gè)樣本中表達(dá)的探針

參考→ 芯片數(shù)據(jù)分析步驟5 過(guò)濾探針

練習(xí)二

請(qǐng)基于樣本間pearson相關(guān)系數(shù)，補(bǔ)齊下述代碼，給樣本聚類： (要求：提交代碼和圖文件)

  pearson_cor=cor(exp.rma)  ###兩兩樣本間的pearson 相關(guān)系數(shù)
  dist.lower=as.dist(1-pearson_cor)   ###計(jì)算距離矩陣
  H <- hclust(dist.lower)
  plot(H,cex=0.5); #不然太大了有點(diǎn)
  cutree(H,2)

聚類結(jié)果

參考→ R 聚類分析

limma包的貝葉斯檢驗(yàn)原理

貝葉斯所要解決的問(wèn)題就是在有條件限制的情況下，求取某一事件發(fā)生的概率。
例如你去理發(fā)店理發(fā)，有可能是發(fā)型總監(jiān)給你服務(wù)，也有可能是新來(lái)的實(shí)習(xí)生給你服務(wù)。發(fā)型總監(jiān)給你服務(wù)，你的滿意度為99%，實(shí)習(xí)生給你服務(wù)，你的滿意度可能只有90%。假定你是第一次去這家理發(fā)店且隨機(jī)指定了一個(gè)人給你服務(wù)，結(jié)果你很滿意，那么求發(fā)型總監(jiān)給你服務(wù)的概率或者實(shí)習(xí)生給你服務(wù)的概率這個(gè)問(wèn)題就屬于貝葉斯分類問(wèn)題。

條件概率

條件概率通常記為P(B/A),表示在事件A發(fā)生的情況下，事件B發(fā)生的概率。
上即為事件A發(fā)生的條件下事件B發(fā)生的概率。設(shè)試驗(yàn)的基本事件總數(shù)為n，事件A包含的所有情況數(shù)量為m（m＞0），事件AB包含的情況數(shù)量為s，則有

對(duì)于上述公式，注意P(A)>0

條件概率P( · |A)符合概率定義的三個(gè)條件：

1. 非負(fù)性 對(duì)于每個(gè)事件B，有P(B|A) >= 0
2. 規(guī)范性 對(duì)于必然事件S，有P（S|A）= 1；
3. 可列可加 設(shè)B1,B2,..是兩兩互斥 →樸素貝葉斯
   
   image.png

參考
貝葉斯檢驗(yàn)-百度百科
通俗易懂的講解貝葉斯原理
差異分析--limma包