% \ VignetteIndexEntry{2。R控制台教程}%\VignetteKeywords{行命令}%\VignettePackage{BioNetStat} %\VignetteEngine{knitr::knitr}

在命令行中使用BioNetStat的教程

安装后的BioNetStat解释在自述，您只需要打开R并运行以下命令。

库(devtools)库(shiny)库(BioNetStat)

图形界面的使用指南在界面本身的“帮助”选项卡中BioNetStat界面教程

测试数据

要执行本教程，请下载变量的值和变量组．

读取变量值表

' readVarFile '函数只从用于构造图形的表中读取数值。在这个例子中，表' cancer_data.csv '由134个基因的表达值组成。

函数' doLabels '从同一个表中读取一个列，该列将定义每个样本属于哪个状态，以及将比较哪些网络。在本例中，样本“cancer_data.csv”被划分为四个癌症组织。当你没有指定哪一列定义样本的标签时，函数将使用' factor '类的第一列(如' labmat '对象所示)。当你想要指定哪个列应该被使用，哪些状态(处理)将被比较时，你必须分别使用参数' factorName '和' classes '(就像在labmat2对象中一样)。

本例中使用的数据

matrix<-readVarFile(fileName =" ~/path_to_file/variablesValue_BioNetStat_tutorial_data.csv"，sep =";"，dec=".") labmat<-doLabels(fileName =" ~/path_to_file/variablesValue_BioNetStat_tutorial_data.csv") labmat2<-doLabels(fileName =" ~/path_to_file/variablesValue_BioNetStat_tutorial_data.csv"，factorName =" histologic_diagnosis"，classes = c("少胶质细胞瘤"，"星形细胞瘤"))

读取指示变量组的文件

readSetFile函数读取一个表，该表在第一列中指示组的名称，在接下来的列中指示属于每个组的变量。在这个文件中，列必须用制表符分隔。

varSets<-readSetFile(fileName = "~/path_to_file/ variableet_bionetstat_tutorial_data .gmt")

选择建立邻接矩阵的参数

在这个功能中，用户选择参数来构建网络，如统计方法(method)。可以在Pearson、Spearman或Kendall相关性之间进行选择，也可以插入一个返回邻接矩阵的函数。在你选择了三个相关性之一后，你必须选择哪个值将被用作“关联”中的关联强度(“corr”，“pvalue”，“fdr”)。强度将被用作网络构建中的阈值(“corr”，“pvalue”，“fdr”)，数值(0到1之间)用作阈值，在“thrr .value”中。此外，还可以在“加权”中选择网络是否具有加权边或未加权边。

funAdjMat<-adjacencyMatrix(method = "pearson"，association = "corr"，threshold = "corr"，thr。值= 0.5，加权= T)

比较网络

函数“diffNetAnalysis”执行比较多个网络的测试。为了区分网络，您需要在“method”中选择一种比较方法。在参数' varFile '、' labels '和' varSets '中，您分别输入值矩阵、样本分类和变量组的对象。构造相关矩阵的函数输入在“adjacencyMatrix”中。用户必须定义p值计算的排列数(' numPermutations ')，即用于构建网络的最小顶点数(' min.vert ')。如果您选择通过频谱或度分布来比较网络，则必须选择将在选项”，可以是bandwidth ' = ' Silverman '或' bandwidth ' = ' Sturges "。

#选择一个结构属性方法<-list(spectralDistributionTest, spectralEntropyTest, degreeDistributionTest,degreeCentralityTest, betweennessCentralityTest, closenessCentralityTest, eigenvectorCentralityTest, clusteringcoefficients test) res<-diffNetAnalysis(method = methods[[1]]，varFile = matrix, labels = labmat, varSets = NULL,adjacencyMatrix = funAdjMat, numPermutations = 1000, min.vert = 10,options = list("bandwidth"="Silverman")) res

比较顶点的重要性

函数' diffNetAnalysis '也在多个网络上执行顶点比较测试。同样，您需要在“method”中选择一个比较方法(methods)。在参数' varFile '、' labels '和' varSets '中，您分别输入值矩阵、样本分类和变量组的对象。构造相关矩阵的函数输入在“adjacencyMatrix”中。用户必须定义p值计算的排列数(' numPermutations ')，即用于构建网络的最小顶点数(' min.vert ')。

methods<-list(degreeCentralityVertexTest,betweennessCentralityVertexTest, closenessCentralityVertexTest, eigenvectorCentralityVertexTest, clusteringcoefficients vertextest) res<-diffNetAnalysis(method = methods[[1]]，options = list("bandwidth"="Silverman")，varFile = array, labels = labmat, varSets = NULL,adjacencyMatrix = funAdjMat, numPermutations = 1000, print = T, seed = F,min。vert = 10, resultsFile ="results. "RData”)存储$all