1介绍

适用于对任何方面感兴趣的用户ramodr.基于包裹请看看主要小插图包裹。

这个Vignette针对开发人员和研究人员，他们想要bob电竞体育官网使用的功能ramodr.包装以高吞吐量排序数据开发新的修改策略。

图书馆（Ramodr）

必须考虑两种课程来建立新的分析管道ramodr.。这些是sequenceata和改性剂班级。

2一个新的sequenceata班级

一，是sequenceata必须考虑课程。已经实施了几个课程，即：

  • End5sequenceata.
  • End3Sequenceata.
  • Endsequenceata.
  • protectedEdsequenceata.
  • cuckageemequencesata
  • pulupsequenceata
  • normend5sequenceata.
  • normend3sequenceata

如果不能重复使用，可以很容易地实现新的类。首先是DataFrame类，数据类和构造函数必须定义。必须提供的唯一值是默认值微微正式整数值和一些基本信息。

setClass（class =“examplesequencessataframe”，包含=“semishedframe”）exceplesequencessataframe <函数（df，范围，序列，复制，条件，bamfiles，seqinfo）{rnamodr :::。Sequenceataframe（“示例”，df，范围，序列那replicate, condition, bamfiles, seqinfo) } setClass(Class = "ExampleSequenceData", contains = "SequenceData", slots = c(unlistData = "ExampleSequenceDataFrame"), prototype = list(unlistData = ExampleSequenceDataFrame(), unlistType = "ExampleSequenceDataFrame", minQuality = 5L, dataDescription = "Example data")) ExampleSequenceData <- function(bamfiles, annotation, sequences, seqinfo, ...){ RNAmodR:::SequenceData("Example", bamfiles = bamfiles, annotation = annotation, sequences = sequences, seqinfo = seqinfo, ...) }

第二，getdata.必须实施功能。这用于从BAM文件加载数据，并且必须返回命名列表整数那numericlist.或者CompressionSplitdataframelist.每个文件。

setMethod（“getdata”，签名= c（x =“examplesequenceata”，bamfiles =“bamfilelist”，grl =“grangeslist”，序列=“xstringset”，param =“scanbamparam”），定义=函数（x，bamfiles，grl，序列，param，args）{###}）

第三，总计的必须实施功能。此函数用于聚合到所有或一个条件的复制上的数据。将结果数据传递给改性剂班级。

setMethod（“aggregateData”，Signature = C（x =“examplesequenceAta”），函数（x，条件= c（“两个”，“处理”，“控制”））{###}）

3.一个新的改性剂班级

一个新的改性剂班级可能是主要的类，需要实施。必须设置三个变量。摩擦必须是一个元素modstrings :: shortname（modstrings :: modrnastring（））。分数是默认分数，用于多个功能。应从中返回此名称的列总计的功能。数据类型定义sequenceata使用课程。数据类型可以包含多个名称sequenceata课程，然后将其组合以形成aSequencedataset.。

SetClass（“modexample”，包含= c（“ramodifier”），prototype = list（mod =“x”，score =“score”，datatype =“examplesequenceata”））modexample < -  function（x，注释，序列，seqinfo，...）{ramodr :::修饰符（“modexample”，x = x，annotation =注释，序列=序列，seqinfo = seqinfo，...）}

数据类型也可以是一个列表的特点vectors，它导致了创造搜索分析器。但是，现在这是一个假设的情况，如果检测到修改需要来自两个或更多不同方法的BAM文件，则只能使用用于检测一个修改的BAM文件。

这设置< -可以修改功能以保存指定的设置（.norm_example_args.必须定义分秒以以任何方式进行拟合的方式归一化输入参数）。

setreplacemethod（f =“设置”，signature =签名（x =“modexample”），定义=函数（x，value）{x < -  callnextmethod（）＃验证特殊设置此处x @ settings [names（值）] < -Unname（.norm_example_args（value））x}）

这aggregateData.函数用于从中获取聚合数据sequenceata对象并计算特定的分数，然后将其存储在总计的投币口。

setMethod（f =“aggregateData”，signature =签名（x =“modexample”），定义=函数（x，force = false）{＃每个抄本元素的一些数据}

这FINDMOD.函数采用聚合数据并搜索修改，然后将其作为Granges对象返回并存储在修改投币口。

setMethod（“findmod”，signature = c（x =“modexample”），函数（x）{＃找到每个修改的元素。}）

3.1一个新的modifierset.班级

这modifierset.通过定义类和构造函数来非常轻松地实现类。功能由改性剂班级。

SetClass（“modsetexample”，contains =“modifierset”，prototype = list（empleStype =“modexample”））ModsetExample < - 函数（x，注释，序列，seqinfo，...）{rnamodr ::: modifierset（“modexample”，x = x，annotation =注释，序列=序列，seqinfo = seqinfo，......）}

4.可视化功能

需要实施的附加功能是getDatatrack.对于新的sequenceata和新的改性剂课程和plotdata./Plotdatabycoord.对于新的改性剂和modifierset.课程。名称定义找到的转录名称名称（范围（x））和类型数据类型通常是作为列中的列总计的投币口。

setMethod（f =“getDatatrack”，签名=签名（x =“examplesequenceation”），定义=函数（x，name，...）{###}）setMethod（f =“getDatatrack”，signature =签名（x=“modexample”），定义=函数（x，name，type，...）{}）setmethod（f =“plotdatabycoord”，signature =签名（x =“modexample”，coord =“granges”），定义=函数（x，coord，type =“score”，window.size = 15l，...）{}）setMethod（f =“plotdata”，signature =签名（x =“modexample”），定义=函数（x，名称，从，to type =“score”，......）{} setMethod（f =“plotdatabycoord”，signature =签名（x =“modsetexample”，coord =“granges”），定义=函数（x，coord，type =“score”，window.size = 15l，...）{}）setMethod（f =“plotdata”，signature =签名（x =“modsetexample”），定义=函数（x，name，来自，to，type =“得分”，......）{}）

如果不确定，如何修改这些函数，请查看代码Modifier-Inosine-viz.r此包的文件。

5.概括

如上所述，更详细的例子看看modinosine.找到的类源代码修饰符 - inosine-class.r和Modifier-Inosine-viz.r此包的文件。

6.sessioninfo.

sessioninfo（）
## R版本4.1.0（2021-05-18）##平台：X86_64-PC-Linux-GNU（64位）##正在运行：Ubuntu 20.04.2 LTS ## ##矩阵产品：默认##Blas：/home/biocbuild/bbs-3.13-bioc/r/lib/liblblas.so ## lapack：/home/biocbuild/bbs-3.13-bioc/r/lib/librlapack.so ## locale：##[1] lc_ctype = en_us.utf-8 lc_numeric = c ## [3] lc_time = en_gb lc_coollat​​e = c ## [5] lc_monetary = en_us.utf-8 lc_messages = en_us.utf-8 ## [7] lc_paper =en_us.utf-8 lc_name = c ## [9] lc_address = c lc_telephone = c ## [11] lc_measurement = en_us.utf-8 lc_identification = c ## ##附加基本包：## [1]并行stats4 stats图形grdevices实用数据集## [8]方法基础## ##其他附加包：## [1] rnamodr_1.6.0 modstrings_1.8.0 rnamodr.data_1.5.0 ## [4]实验HubData_1.18.0 AnnotationHubData_1.22.0 Foreiver.Logger_1。4.3 ## [7]实验Hub_2.0.0 AnnotationHub_3.0.0 BiocfileCache_2.0.0 ## [10] dbplyr_2.1.1 GenomicFeatures_1.44.0 AnnotationDBI_1.54.0 ## [13] BioBase_2.52.0 RsamTools_2.8.0 BioStrings_2.60.0＃＃[16] xvector_0.32.0 rtracklayer_1.52.0 genomicranges_1.44.0 ## [19] genomeinfodb_1.28.0 iranges_2.26.0 s4vectors_0.30.0 ## [22] biocgenerics_0.38.0 biocstyle_2.20.0 ## ##通过命名空间加载（而不是附加）：## [1] backports_1.2.1 hmisc_4.5-0 ## [3] plyr_1.8.6 lazyeval_0.2.2 ## [5]拼接_4.1.0 biocparallel_1.26.0 ## [7] ggplot2_3.3.3 digest_0.6.27 ##[9] ensembldb_2.16.0 htmltools_0.5.1.1.1.11.1 ## [11] magick_2.7.2 fansi_0.4.2 ## [13] checkmate_2.0.0 magrittr_2.0.1 ## [15] memoise_2.0.0 bsgenome_1.60.0 ## [17] cluster_2.1.2 ROCR_1.0-11 ## [19] matrixstats_0.58.0 prettyunits_1.1.1 ## [21] JPEG_0.1-8.1 COLORPACE_2.0-1 ## [23] BLOB_1.2.1 RAPPDIRS_0.3.3 ## [25] XFUN_0。23.dplyr_1.0.6 ## [27] crayon_1.4.1 RCurl_1.98-1.3 ## [29] jsonlite_1.7.2 graph_1.70.0 ## [31] VariantAnnotation_1.38.0 survival_3.2-11 ## [33] glue_1.4.2 gtable_0.3.0 ## [35] zlibbioc_1.38.0 DelayedArray_0.18.0 ## [37] scales_1.1.1 futile.options_1.0.1 ## [39] DBI_1.1.1 Rcpp_1.0.6 ## [41] htmlTable_2.2.1 xtable_1.8-4 ## [43] progress_1.2.2 foreign_0.8-81 ## [45] bit_4.0.4 OrganismDbi_1.34.0 ## [47] Formula_1.2-4 AnnotationForge_1.34.0 ## [49] htmlwidgets_1.5.3 httr_1.4.2 ## [51] getopt_1.20.3 RColorBrewer_1.1-2 ## [53] ellipsis_0.3.2 farver_2.1.0 ## [55] pkgconfig_2.0.3 XML_3.99-0.6 ## [57] nnet_7.3-16 Gviz_1.36.0 ## [59] sass_0.4.0 utf8_1.2.1 ## [61] labeling_0.4.2 reshape2_1.4.4 ## [63] tidyselect_1.1.1 rlang_0.4.11 ## [65] later_1.2.0 munsell_0.5.0 ## [67] biocViews_1.60.0 BiocVersion_3.13.1 ## [69] tools_4.1.0 cachem_1.0.5 ## [71] generics_0.1.0 RSQLite_2.2.7 ## [73] evaluate_0.14 stringr_1.4.0 ## [75] fastmap_1.1.0 yaml_2.2.1 ## [77] knitr_1.33 bit64_4.0.5 ## [79] purrr_0.3.4 AnnotationFilter_1.16.0 ## [81] KEGGREST_1.32.0 RBGL_1.68.0 ## [83] mime_0.10 formatR_1.9 ## [85] biomaRt_2.48.0 rstudioapi_0.13 ## [87] compiler_4.1.0 filelock_1.0.2 ## [89] curl_4.3.1 png_0.1-7 ## [91] interactiveDisplayBase_1.30.0 tibble_3.1.2 ## [93] bslib_0.2.5.1 stringi_1.6.2 ## [95] highr_0.9 lattice_0.20-44 ## [97] ProtGenerics_1.24.0 Matrix_1.3-3 ## [99] vctrs_0.3.8 stringdist_0.9.6.3 ## [101] pillar_1.6.1 BiocCheck_1.28.0 ## [103] lifecycle_1.0.0 RUnit_0.4.32 ## [105] optparse_1.6.6 BiocManager_1.30.15 ## [107] jquerylib_0.1.4 data.table_1.14.0 ## [109] bitops_1.0-7 colorRamps_2.3 ## [111] httpuv_1.6.1 R6_2.5.0 ## [113] BiocIO_1.2.0 latticeExtra_0.6-29 ## [115] bookdown_0.22 promises_1.2.0.1 ## [117] gridExtra_2.3 codetools_0.2-18 ## [119] dichromat_2.0-0 lambda.r_1.2.4 ## [121] assertthat_0.2.1 SummarizedExperiment_1.22.0 ## [123] rjson_0.2.20 withr_2.4.2 ## [125] GenomicAlignments_1.28.0 GenomeInfoDbData_1.2.6 ## [127] hms_1.1.0 rpart_4.1-15 ## [129] grid_4.1.0 rmarkdown_2.8 ## [131] MatrixGenerics_1.4.0 biovizBase_1.40.0 ## [133] base64enc_0.1-3 shiny_1.6.0 ## [135] restfulr_0.0.13