此包适用于Bioconductor 3.12版本;有关稳定的最新发布版本,请参见PCAtools.
Bioconductor版本:3.12
主成分分析(PCA)是一种非常强大的技术,在数据科学、生物信息学和其他领域具有广泛的适用性。它最初是为了分析大量数据,以梳理出所分析的逻辑实体之间的差异/关系。它提取数据的基本结构,而不需要构建任何模型来表示它。这种数据的“总结”是通过一种约简过程得出的,该过程可以将大量变量转换为较少的不相关变量(即“主成分”),同时能够对原始数据进行简单的解释。PCAtools提供了通过PCA进行数据探索的功能,并允许用户生成可发布的图形。主成分分析是通过BiocSingular进行的——用户还可以通过不同的度量来确定最优的主成分数量,例如肘关节方法和Horn的并行分析,这与单细胞RNA-seq (scRNA-seq)和高维海量细胞术数据的数据减少有关。
作者:Kevin Blighe [aut, cre], Anna-Leigh Brown [ctb], Vincent Carey [ctb], Guido Hooiveld [ctb], Aaron Lun [aut, ctb]
维护者:Kevin Blighe < Kevin at clinicalbioinformatics.co.uk>
引文(从R内,输入引用(“PCAtools”)
):
要安装此包,请启动R(版本“4.0”)并输入:
如果(!requireNamespace("BiocManager", quiet = TRUE)) install.packages("BiocManager")::install("PCAtools")
对于R的旧版本,请参考相应的Bioconductor释放.
要查看系统中安装的此包版本的文档,请启动R并输入:
browseVignettes(“PCAtools”)
超文本标记语言 | R脚本 | PCAtools:一切主成分分析 |
参考手册 | ||
文本 | 新闻 |
biocViews | GeneExpression,PrincipalComponent,RNASeq,SingleCell,软件,转录 |
版本 | 2.2.0 |
在Bioconductor | BioC 3.9 (R-3.6)(2年) |
许可证 | GPL-3 |
取决于 | ggplot2,ggrepel |
进口 | 晶格grDevices,cowplot、方法、reshape2统计数据,矩阵,DelayedMatrixStats,DelayedArray,BiocSingular,BiocParallel,Rcpp,dqrng |
链接 | Rcpp,beachmat,黑洞,dqrng |
建议 | testthat,食物,BiocGenerics,knitr,Biobase,GEOquery,hgu133a.db,ggplotify,beachmat,RMTstat,ggalt |
SystemRequirements | c++ 11 |
增强了 | |
URL | https://github.com/kevinblighe/PCAtools |
全靠我 | |
进口我 | |
建议我 | scDataviz |
链接到我 | |
构建报告 |
遵循bob 体育网址 在R会话中使用此包的说明。
源包 | PCAtools_2.2.0.tar.gz |
Windows二进制 | PCAtools_2.2.0.zip(32位和64位) |
macOS 10.13 (High Sierra) | PCAtools_2.2.0.tgz |
源库 | git克隆https://git.bioconductor.org/packages/PCAtools |
源存储库(开发人员访问) | git克隆git@git.bioconductor.org:packages/PCAtools |
包短Url | //www.anjoumacpherson.com/packages/PCAtools/ |
软件包下载报告 | 下载数据 |