4分析步骤
一个典型的元成因分析将包括以下步骤:
- 提取选定区域中每个BAM文件的读取计数。
- 覆盖率的转换。
- 噪声去除
- 覆盖值的规范化。
- 矩阵生产。
- 数据框架制作。
- 元生地块的生成。
4.1最小的分析
最小亚干分析可分为两个步骤:
- 初始化(
新功能)。 情节
regions <- get_demo_regions() bam_files <- get_demo_bam_files() #初始化mg <- metagene$new(regions = regions, bam_files = bam_files) #绘图mg$plot(title = "Demo metagene plot")# # align1_rep1_list1# # align1_rep1_list2# # align1_rep2_list1# # align1_rep2_list2# # align2_rep1_list1# # align2_rep1_list2# # align2_rep2_list1# # align2_rep2_list2# # ctrl_list1# # ctrl_list2
正如您所看到的，显式调用meta分析的每个步骤并不是强制性的。例如，在前面的示例中，情节函数使用默认值自动调用其他步骤(下一节将更详细地描述这些步骤)。
在这种特殊情况下，由于默认情况，情节是混乱的metagene将为BAM文件和区域的每种可能组合生成一条曲线。因为我们有5个BAM文件和2个区域，所以我们得到了10条曲线。
如果我们想要更多地控制分析的每一步是如何执行的，我们必须直接调用每个函数。
4.2完整的分析
为了完全控制元基因分析的每一步，了解如何执行完整的分析是很重要的。如果我们对默认值感到满意，则不必显式调用每个步骤(如前一节所示)。
4.2.1初始化
在此步骤中，将从每个BAM文件中提取指定的每个区域的覆盖率。更具体地说，一个新的农庄将指定的所有区域组合在一起创建地区的参数新函数。
Regions <- get_demo_regions() bam_files <- get_demo_bam_files() mg <- metagene$new(Regions = Regions, bam_files = bam_files)4.2.2生成矩阵
为了生成元生图，覆盖率必须在矩阵中转换，其中列表示位置，行表示区域。此外，为了减少后续步骤的计算时间，还对位置进行了分类。
我们可以控制箱子的大小bin_count论点。默认情况下，bin_count在此步骤中将使用100个。
mg produce_matrices美元()我们还可以使用我们之前制作的设计来去除背景信号并组合重复:
Mg $produce_matrices(设计=设计)4.2.3生产data.frame
元成图是利用ggplot2包，它需要一个data.frame作为输入。在此步骤中，将计算功能区的值。用于估计置信区间的算法可以用统计参数。
默认情况下，metagene使用“bootstrap”来更好地估计每组区域/BAM文件中每个位置的富集平均值。另一种称为“基本”的方法将简单地使用色带来表示每个组中每个位置的95%的值。
Mg $produce_data_frame(stat = "basic")# # align1_list1# # align1_list2# # align2_list1# # align2_list24.2.4策划
在此步骤中，metagene将使用data.frame来绘制计算值ggplot2．我们使用。来显示区域的子集region_names和exp_names参数。的region_names对应于初始化时使用的区域名称。的exp_name将根据是否添加了设计而变化。如果没有添加设计，则此参数对应于BAM名称或BAM文件名。否则，我们必须使用设计中的列名。
mg$plot(region_names = "list1"， title = "Demo plot子集")
