4．1例1:模拟bulk RNA-seq

RNA-seq数据(Zhang et al. 2015)：数据包含498个成神经细胞瘤。简而言之，在HiSeq 2000仪器(Illumina)上进行了非链聚(A)+ RNA测序。得到长度为100个核苷酸的配对末端reads。为了量化完整的转录组，原始fastq文件用Kallisto v0.42.4处理(用GRCh38-Ensembl v85建立索引)。伪对齐工具Kallisto（?？?）在其他定量方法中选择它，因为它的性能同样好，但速度更快。在这项研究中，我们选择了172个具有高风险疾病的肿瘤(样本)，分为两组:MYCN扩增组(\ (n_1 \)= 91)和MYCN非放大(\(甲烷\)= 81)肿瘤（?？?）．有时我们把这个数据集称为张氏数据或张氏成神经细胞瘤数据。该数据集的一个子集(5000个随机选择的基因)可与SPsimSeq包一起使用，仅用于演示目的。

#加载张大体RNA-seq数据(随包提供)data(" Zhang .data.sub") #筛选表达量充足的基因(避免bug的重要步骤)张大体。计数<- zhang.com data。子数MYCN美元。status <- zhang.data.sub$MYCN。分组变量

这个数据集现在被用作半参数数据生成的模板。我们仅模拟具有以下属性的单个数据(n.sim = 1): - 3000个基因(n.genes = 3000) - 172个样本(tot。样本= 172)-等于源数据-样本平均分为2组，每组90个样本(组。Config = c(0.5, 0.5)) -几乎等于源数据-所有样本都来自单个批次(batch. c)。config = 1) -我们添加10% DE基因(pDE = 0.1) - DE基因在源数据中至少有0.5的对数折叠变化(lfc. config = 1)。THRLD = 0.5) -我们不单独对零建模，它们是密度估计的一部分(model.zero。问题= FALSE)

Set .seed(6452) #为重现性设置种子#模拟数据sim.data.bulk <- SPsimSeq(n。Sim = 1, s.data =张。计数，组= MYCN。状态，n.genes = 3000，批处理。Config = 1, group。Config = c(0.5, 0.5)， tot。样本= ncol(zhang.counts)， pDE = 0.1, lfc. counts。THRLD = 0.5，结果。format = "list"， return.details = TRUE)

##评估特征相关性…

##选择候选DE基因…

##注:源数据中null基因(非DE)数量为968个，模拟数据中需要包含的null基因数量为2700个。因此，对候选空基因进行替换采样。

##注:源数据中检测到的DE基因数量为32个，模拟数据中需要包含的DE基因数量为300个。因此，对候选DE基因进行替换取样。

##估算密度…

##配置设计…

##模拟数据…

# #……1 / 1

接下来，我们将研究刚刚生成的数据。

sim.data。Bulk1 <- sim.data.bulk$sim.data. bulk[[1]] (sim.data列表。Bulk1 $counts[， seq_len(5)]) #计数数据

## Sample_1 Sample_2 Sample_3 Sample_4 Sample_5 ## Gene_1 12 1 4 25 64 ## Gene_2 0 7 0 4 1 ## Gene_3 5 0 2 0 2 ## Gene_4 4 1 0 0 2 # Gene_5 4 1 0 9 7 ## Gene_6 3 0 3 0 0 0 0

head(sim.data.bulk1$colData) #示例信息

##批量组simm . lib . size ## Sample_1 1 1 762054 ## Sample_2 1 1 665409 ## Sample_3 1 1 727419 ## Sample_4 1 1 385784 ## Sample_5 1 1 495890 ## Sample_6 1 1 774708

head(sim.data.bulk1$rowData) #基因信息

## DE.ind源代码。Gene_1 TRUE ADAMTS19 ## Gene_2 TRUE RP11-44F14.8 ## Gene_4 TRUE RP11-662J14.2 ## Gene_5 TRUE RP11-326L2.1 ## Gene_6 TRUE RP5-998H6.2

自从我们设定return.details= TRUE时，我们可以获得所有的密度估计值，可以使用evaluateDensities函数。

geneDens = evaluatedenences (sim.data.;)返回每个样本的中点(mid)和相关密度(gy)

接下来，我们将用SPsimSeq生成的数据与原始数据属性进行比较，以显示它们是真实的并且接近于真实数据。

#比较平均表达式的分布，变异性，#和每个基因库(LSD)的零计数分数#生成热图图#归一化计数进行比较Y0.log。cpm <- log2(edgeR::cpm(zhang.counts)+1) Y1.log。cpm <- log2(edgeR::cpm(sim.data.bulk1$counts)+1) Y0.log。cpm < - Y0.log.cpm [rowMeans (Y0.log.cpm > 0) > = 0.1) Y1.log。cpm <- Y1.log.cpm[rowMeans(Y1.log.cpm>0)>=0.1，] rowVars <- function(X){apply(X, 1, var, na.rm=TRUE)} rowCVs <- function(X){apply(X, 1, function(X) sd(X, na.rm=TRUE)/mean(X, na.rm=TRUE)} par(mfrow=c(1,3)) boxplot(list(real.data=log(colsum (zhang.counts))， simulation .data=log(sima .data.bulk1$colData$ sima . lib . size))， main="库大小")boxplot(list(real.data=rowMeans(Y0.log.cpm)， simulation .data=rowMeans(Y1.log.cpm))， main="基因的平均表达")boxplot(list(real.data=rowMeans(Y0.log.cpm)，simulation .data=rowVars(Y1.log.cpm))， main="基因表达方差")

库的大小是相同的，因为他们没有建模(见variable.lib.size参数在?SPsimSeq)。接下来，我们看看均值-方差趋势

#比较均值与变异系数的关系(mfrow=c(1,3)， mar=c(4,4,4,1)) heatscatter(rowMeans(Y0.log.cpm)， rowCVs(Y0.log.cpm)， ylim=c(0,6)， xlim=c(0,16)， colpal="bl2gr2rd"， xlab="mean log2-CPM"， ylab="变异系数"，cexplot=0.5, alpha = 60, cex.lab=1.25) heatscatter(rowMeans(Y1.log.cpm)， rowCVs(Y1.log.cpm)， ylim=c(0,6)， xlim=c(0,16)， main="SPsimSeq"， xlab="mean log2-CPM"， ylab="变异系数"，cexplot= "mean log2-CPM"， ylab="变异系数"，cexplot= "mean log2-CPM"， ylab="变异系数"，cexplot= "mean log2-CPM"， ylab="变异系数"，cexplot=0.5, alpha = 60, alpha = 60，Colpal ="bl2gr2rd"， cex.lab=1.25) n.grid <- 1000 min.g <- seq(0,20, length。Out = n.grid +1)[-n.]导)马克斯。G <- seq(0,20，长度。= n.gride + 1) [1] mid.g < - (min.g + max.g) / 2 f.real < vapp (seq_len (n.gride),有趣。VALUE = double(1)， function(r){x <- Y0.log.cpm[rowMeans(Y0.log.cpm)<=最大值。g[r] & rowMeans(Y0.log.cpm)>min。g [r]] y < - ifelse (! is.null(暗(x)),意味着(rowCVs (x)),意味着(sd (x) / (x))) y}) f.SPsim < vapp (seq_len (n.gride),有趣。VALUE = double(1)， function(r){x <- Y1.log.cpm[rowMeans(Y1.log.cpm)<=max. cpm]g[r] & rowMeans(Y1.log.cpm)>min。g [r]] y < - ifelse (! is.null(暗(x)),意味着(rowCVs (x)),意味着(sd (x) / (x))) y}) sm1 < -黄土(我(f.SPsim-f.real) ~ mid.g)情节(中期。g, f.SPsim-f。real, xlim=c(0,14)， col="lightskyblue"， pch=20, cex.lab=1.25, cex.main=1.4, main="SPsimSeq - real data"， ylab="difference"， xlab="mean log2-CPM")G,predict(sm1, newdata = mid.g)， col="blue"， lwd=3)

我们模拟了在真实数据中发现的相关网络(见genewiseCor参数)。现在我们检查合成数据中的相关模式是否与真实数据中的相似。

比较基因与样品之间的相关性。Y0 <- cor(t(Y0.log.cpm))Y1 <- cor(t(Y1.log.cpm))Y0 <- cor.mat.Y0[upper.tri(cor.mat.Y0)]Y1 < - cor.mat.Y1 [upper.tri (cor.mat.Y1)] par (mfrow = c (1,3), 3 = c(4 4、3.5、1))(cor.vec嘘。Y0, nclass = 30, probability = TRUE, border="gray"， col="steelblue1"， main="real data"， xlab="Genewise correlation "， ylim=c(0,3.5)， xlim=c(- 1,1)， cex.lab=1.25) hist(cor.vec。Y1, nclass = 30，概率= TRUE, border="gray"， col="steelblue1"， main="SPsimSeq"， xlab="Genewise correlation "， ylim=c(0,3.5)， xlim=c(- 1,1)， cex.lab=1.25) plot(seq(- 1,1,0.1)， seq(- 1,1,0.1)， type="n"， xlab="quantile(真实数据)"，ylab="quantile(模拟数据)"，main="correlation quantile-quantile plot") abline(0,1, col="gray") points(分位数(cor.vec.)Y0, seq(0,1,0.001))，分位数(cor.vec。seq日元(0.001 0 1)),坳=“蓝色”,pch = 20, cex = 1.5, cex.lab = 1.25)

4.2例2:模拟单细胞RNA-seq(包含读取计数)

成神经细胞瘤NGP细胞scRNA-seq数据(NGP数据)从检索(Verboom et al. 2019)(GEO接入GSE119984):此数据集是为C1仪器上的细胞扰动实验生成的(SMARTer协议)(Verboom et al. 2019)．这个总RNA-seq数据集包含83个NGP成神经细胞瘤细胞，其中31个用8\μ(\ \)M的nutlin-3和其他52个细胞用载体(对照)处理。在接下来的章节中，这个数据集被称为NGP单细胞RNA-seq数据。

我们仅模拟单个scRNA-seq数据(n.c im = 1)，具有以下属性- 4000个基因(n.c engenes = 4000) - 100个细胞(tot。样本= 100)-细胞平均分为2组，每组50个细胞(组。Config = c(0.5, 0.5)) -所有单元格都来自单个批处理(batch. c)。config = 1) -我们添加10% DE基因(pDE = 0.1) - DE基因的对数折叠变化至少为0.5 -我们分别对零进行建模(model.zero。prob = TRUE) -输出将在singlecel实验类对象(结果。format = " SCE ")

库(SingleCellExperiment)

##加载所需包:摘要实验

##加载所需包:MatrixGenerics

##加载所需的包:matrixStats

## ##附加包:'matrixStats'

##下面的对象被屏蔽__ `。GlobalEnv': ## ## rowVars

## ##附加包:'MatrixGenerics'

##下面的对象被屏蔽__ `。GlobalEnv': ## ## rowVars

下面的对象从package:matrixStats中屏蔽:## ## colAlls, colAnyNAs, colanyans, colAvgsPerRowSet, colCollapse， ## colCounts, colCummaxs, colCummins, colCumprods, colMadDiffs, colIQRs, colLogSumExps, colMadDiffs， ## colMads, colMaxs, colMeans2, colMedians, colMins, colOrderStats， ## colProds, colQuantiles, colRanges, colRanks, colSdDiffs, colSds， ## colSums2, colTabulates, colVarDiffs, colVars, colWeightedMads， ## colWeightedMeans, colWeightedMedians, colweighteddsds， ## colweighttedvars, rowAlls, rowAnyNAs, rowAnys, colIQRs, colLogSumExps, colMadDiffs，rowAvgsPerColSet， ## rowCollapse, rowCounts, rowCummaxs, rowCummins, rowCumprods， ## rowcumsum, rowDiffs, rowIQRDiffs, rowIQRs, rowLogSumExps， ## rowMadDiffs, rowMads, rowMaxs, rowMeans2, rowMedians, rowMins， ## rowOrderStats, rowProds, rowQuantiles, rowwranges, rowwranks， ## rowSdDiffs, rowSds, rowSums2, rowTabulates, rowVarDiffs, rowVars， ## rowWeightedMads, rowWeightedMeans, rowWeightedMedians， ## rowweighteddsds, rowWeightedVars

##加载所需软件包:GenomicRanges

##加载所需的包:stats4

##加载所需的包:BiocGenerics

##加载所需的包:并行

## ##附加包:“BiocGenerics”

以下对象将从'package:parallel'中屏蔽:## ## clusterApply, clusterApplyLB, clusterCall, clusterEvalQ， ## clusterExport, clusterMap, parApply, parCapply, parApply， ## parapplylb, parRapply, parSapply, parSapplyLB

以下对象从'package:stats'中屏蔽:## ## IQR, mad, sd, var, xtabs

##以下对象从'package:base'中屏蔽:## ## Filter, Find, Map, Position, Reduce, anyduplication, append， ## as.data.frame, basename, cbind, colnames, dirname, do。调用，## duplicate eval evalq get grep grepl, intersect, is。Unsorted， ## lapply, mapply, match, mget, order, paste, pmax, pmax.int, pmin， ## pmin.int, rank, rbind, rownames, sapply, setdiff, sort, table， ## tapply, union, unique, unsplit，其中。马克斯,which.min

##加载所需的包:S4Vectors

## ##附加包:“S4Vectors”

以下对象从'package:base'中屏蔽:## ## I，展开。网格,unname

##加载所需的包:IRanges

##加载所需包:GenomeInfoDb

##加载所需的包:Biobase

##欢迎访问Bioconductor ## ##小插图包含介绍性材料;查看## 'browseVignettes()'。要引用Bioconductor，请参见##“citation(“Biobase”)”，以及软件包的“citation(“pkgname”)”。

## ##附件:“Biobase”

下面的对象从“package:MatrixGenerics”中屏蔽:## ## rowMedians

以下对象从'package:matrixStats'中屏蔽:## ## anyMissing, rowMedians

#加载NGP的nutlin数据(可在包中使用，使用smart /C1协议处理，并包含读取计数)data("scNGP.data") set.seed(654321) #模拟数据(我们在这里只模拟一个数据，n.m sim = 1) sim.data.sc <- SPsimSeq(n. SPsimSeq)sim = 1, s.data = scNGP。data, group = scNGP.data$ features ..处理，n.genes = 4000，批处理。Config = 1, group。Config = c(0.5, 0.5)， tot。样本= 100,pDE = 0.1, lfc。thrld = 0.5, model.zero.prob = TRUE，结果。format = "SCE")

##评估特征相关性…

##选择候选DE基因…

##注:源数据中null基因(非DE)数量为981个，模拟数据中需要包含的null基因数量为3600个。因此，对候选空基因进行替换采样。

##注:源数据中检测到的DE基因数量为19个，模拟数据中需要包含的DE基因数量为400个。因此，对候选DE基因进行替换取样。

##拟合零概率模型…

##估算密度…

##配置设计…

##模拟数据…

# #……1 / 1

快速浏览一下数据。

sim.data。Sc1 <- sim.data。sc[[1]]类(sim.data.sc1)

## [1] " singlecel实验" ## attr(，"package") ## [1] " singlecel实验"

(计数(sim.data.sc1) [seq_len (5)))

## Sample_1 Sample_2 Sample_3 Sample_4 Sample_5 ## Gene_1 0 25 47 25 0 ## Gene_2 77 381 14 609 184 ## Gene_3 0 0 0 37 0 ## Gene_4 0 35 0 0 0 0 ## Gene_5 18 0 52 27 8 ## Gene_6 7 24 85 0 12

colData (sim.data.sc1)

sim.Lib.Size ## <字符> <字符> <数字> ## Sample_1 1辆车6842 ## Sample_2 1辆车31644 ## Sample_3 1辆车29766 ## Sample_4 1辆车34072 ## Sample_5 1辆车19042 ## ... ... ... ...##抽样_96 1 nutlin 41566 ##抽样_97 1 nutlin 36668 ##抽样_98 1 nutlin 19377 ##抽样_99 1 nutlin 33645 ##抽样_100 1 nutlin 21125

rowData (sim.data.sc1)

## DataFrame 4000行2列ID ## <逻辑> <字符> ## Gene_1 TRUE ENSG00000105613 ## Gene_2 TRUE ENSG00000166508 ## Gene_3 TRUE ENSG00000119946 ## Gene_4 TRUE ENSG00000164306 ## Gene_5 TRUE ENSG00000105613 ## ... ... ...## Gene_3996假ENSG00000101608 ## Gene_3997假ENSG00000239335 ## Gene_3998假ENSG00000100890 ## Gene_3999假ENSG00000213171 ## Gene_4000假ENSG00000125386

看看基本的数据属性。

# normalize计数比较Y0.log。cpm <- log2(edgeR::cpm(counts(scNGP.data))+1) Y1.log。cpm <- log2(edgeR::cpm(counts(sim.data.sc1))+1) Y0.log。cpm < - Y0.log.cpm [rowMeans (Y0.log.cpm > 0) > = 0.1) Y1.log。cpm <- Y1.log.cpm[rowMeans(Y1.log.cpm>0)>=0.1，] rowVars <- function(X){apply(X, 1, var, na.rm=TRUE)} rowCVs <- function(X){apply(X, 1, function(X) sd(X, na.rm=TRUE)/mean(X, na.rm=TRUE)} rowZeroFrac <- function(X){apply(X, 1, function(X) mean(X =0, na.rm=TRUE))} par(mfrow=c(1,3)) boxplot(list(real.data= colsum (counts(scNGP.data))， simulation .data=colData(simd .data.sc1)$ simd . lib . size)， main="库大小" boxplot(list(real.data=rowMeans(Y0.log.cpm)， simulation .data=rowMeans(Y1.log.cpm))，main="基因的平均表达量")boxplot(list(real.data=rowVars(Y0.log.cpm)， simulation .data=rowVars(Y1.log.cpm))， main="基因表达量方差")

比较均值-方差分布

#比较均值与变异系数的关系(mfrow=c(1,3)， mar=c(4,4,4,1)) heatscatter(rowMeans(Y0.log.cpm)， rowCVs(Y0.log.cpm)， ylim=c(0,6)， xlim=c(0,16)， colpal="bl2gr2rd"， xlab="mean log2-CPM"， ylab="变异系数"，cexplot=0.5, alpha = 60, cex.lab=1.25) heatscatter(rowMeans(Y1.log.cpm)， rowCVs(Y1.log.cpm)， ylim=c(0,6)， xlim=c(0,16)， main="SPsimSeq"， xlab="mean log2-CPM"， ylab="变异系数"，cexplot= "mean log2-CPM"， ylab="变异系数"，cexplot= "mean log2-CPM"， ylab="变异系数"，cexplot= "mean log2-CPM"， ylab="变异系数"，cexplot=0.5, alpha = 60, alpha = 60，Colpal ="bl2gr2rd"， cex.lab=1.25) n.grid <- 1000 min.g <- seq(0,20, length。Out = n.grid +1)[-n.]导)马克斯。G <- seq(0,20，长度。= n.gride + 1) [1] mid.g < - (min.g + max.g) / 2 f.real < vapp (seq_len (n.gride),有趣。VALUE = double(1)， function(r){x <- Y0.log.cpm[rowMeans(Y0.log.cpm)<=最大值。g[r] & rowMeans(Y0.log.cpm)>min。g [r]] y < - ifelse (! is.null(暗(x)),意味着(rowCVs (x)),意味着(sd (x) / (x))) y}) f.SPsim < vapp (seq_len (n.gride),有趣。VALUE = double(1)， function(r){x <- Y1.log.cpm[rowMeans(Y1.log.cpm)<=max. cpm]g[r] & rowMeans(Y1.log.cpm)>min。g [r]] y < - ifelse (! is.null(暗(x)),意味着(rowCVs (x)),意味着(sd (x) / (x))) y}) sm1 < -黄土(我(f.SPsim-f.real) ~ mid.g)情节(中期。g, f.SPsim-f。real, xlim=c(0,14)， col="lightskyblue"， pch=20, cex.lab=1.25, cex.main=1.4, main="SPsimSeq - real data"， ylab="difference"， xlab="mean log2-CPM")G,predict(sm1, newdata = mid.g)， col="blue"， lwd=3)

均值和零

#比较平均值和零数分数之间的关系par(mfrow=c(1,3)， mar=c(4,4,4,1)) heatscatter(rowMeans(Y0.log.cpm)， rowZeroFrac(Y0.log.cpm)， ylim=c(0,16)， colpal="bl2gr2rd"， xlim= "mean log2-CPM"， ylab=" mean log2-CPM"， ylab="零数分数"，cexplot=0.5, alpha = 60, cex.lab=1.25) heatscatter(rowMeans(Y1.log.cpm)， rowZeroFrac(Y1.log.cpm)， ylim=c(0,1)， xlim=c(0,16)， main="SPsimSeq"， xlab="mean log2-CPM"， ylab="零数分数"，cexplot=0.5, cexx .lab= "零数分数"，cexplot=0.5，Alpha = 60, colpal="bl2gr2rd"， cex.lab=1.25) n.grid <- 1000 min.g <- seq(0,20, length。Out = n.grid +1)[-n.]导)马克斯。G <- seq(0,20，长度。= n.gride + 1) [1] mid.g < - (min.g + max.g) / 2 f.real < vapp (seq_len (n.gride),有趣。VALUE = double(1)， function(r){x <- Y0.log.cpm[rowMeans(Y0.log.cpm)<=最大值。g[r] & rowMeans(Y0.log.cpm)>min。g [r]] y < - ifelse (! is.null(暗(x)),意味着(rowZeroFrac (x)),意味着(x = = 0)) y}) f.SPsim < vapp (seq_len (n.gride),有趣。VALUE = double(1)， function(r){x <- Y1.log.cpm[rowMeans(Y1.log.cpm)<=max. cpm]g[r] & rowMeans(Y1.log.cpm)>min。g [r]] y < - ifelse (! is.null(暗(x)),意味着(rowZeroFrac (x)),意味着(x = = 0)) y}) sm1 < -黄土(我(f.SPsim-f.real) ~ mid.g)情节(中期。g, f.SPsim-f。real, xlim=c(0,14)， col="lightskyblue"， pch=20, cex.lab=1.25, cex.main=1.4, main="SPsimSeq - real data"， ylab="difference"， xlab="mean log2-CPM")G,predict(sm1, newdata = mid.g)， col="blue"， lwd=3)

在这里我们还会看到相关网络

#比较基因与样本Y0.log的相关性。cpm2 <- Y0.log.cpm[rowMeans(Y0.log.cpm>0)>0.25，] Y1.log. cpm。cpm2 <- Y1.log.cpm[rowMeans(Y1.log.cpm>0)>0.25，]Y0 <- cor(t(Y0.log.cpm2))Y1 <- cor(t(Y1.log.cpm2))Y0 <- cor.mat.Y0[upper.tri(cor.mat.Y0)]Y1 < - cor.mat.Y1 [upper.tri (cor.mat.Y1)] par (mfrow = c (1,3), 3 = c(4 4、3.5、1))(cor.vec嘘。Y0, nclass = 30，概率= TRUE, border="gray"， col="steelblue1"， main="真实数据"，xlab="基因间的成对相关性"，ylim=c(0,3.5)， xlim=c(- 1,1)， cex.lab=1.25)Y1, nclass = 30，概率= TRUE, border="gray"， col="steelblue1"， main="SPsimSeq"， xlab="基因间的成对相关性"，ylim=c(0,3.5)， xlim=c(- 1,1)， cex.lab=1.25) plot(seq(- 1,1,0.1)， seq(- 1,1,0.1)， type="n"， xlab="分位数(真实数据)"，ylab="分位数(模拟数据)"，main="相关分位数-分位数图")abline(0,1, col="gray")点(分位数(cor.vec.)Y0, seq(0,1,0.001))，分位数(cor.vec。seq日元(0.001 0 1)),坳=“蓝色”,pch = 20, cex = 1.5, cex.lab = 1.25)

sessionInfo ()

## R版本4.1.0(2021-05-18)##平台:x86_64-pc-linux-gnu(64位)##运行在:Ubuntu 20.04.2 LTS ## ##矩阵产品:默认## BLAS: /home/biocbuild/bbs-3.13-bioc/R/lib/libRblas。所以## LAPACK: /home/biocbuild/bbs-3.13-bioc/R/lib/libRlapack。所以## ## locale: ## [1] LC_CTYPE=en_US。UTF-8 LC_NUMERIC= c# # [3] LC_TIME=en_GB LC_COLLATE= 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_phone = c# # [11] LC_MEASUREMENT=en_US。UTF-8 LC_IDENTIFICATION=C ## ##附加的基本包:##[1]并行stats4统计图形grDevices utils数据集##[8]方法基础## ##其他附加包:[1] SingleCellExperiment_1.14.0 SummarizedExperiment_1.22.0 ## [3] Biobase_2.52.0 GenomicRanges_1.44.0 ## [5] GenomeInfoDb_1.28.0 IRanges_2.26.0 ## [7] S4Vectors_0.30.0 BiocGenerics_0.38.0 ## [9] MatrixGenerics_1.4.0 matrixStats_0.58.0 ## [11] lsd_1 .1-0 SPsimSeq_1.2.0 ## [13] BiocStyle_2.20.0 ## ##通过命名空间加载(并且没有附加):[4] htmlTable_2.2.1 XVector_0.32.0 base64enc_0.1-3 ## [7] rstudioapi_0.13 bit64_4.0.5 annotationdbi_1.54 4.0 ## [10] fansi_0.4.2 mvtnorm_1.1-1 codetools_0.2-18 ## [13] splines_4.1.0 doParallel_1.0.16 cachem_1.0.5 ## [19] Formula_1.2-4 jsonlite_1.7.2 phyloseq_1.36.0 ## [25] WGCNA_1.70-3 cluster_2.1.2 GO.db_3.13.0 ## [25] png_0.1-7 BiocManager_1.30.15 compiler_4.1.0 ## [28] httr_1.4.2[40] GenomeInfoDbData_1.2.6 reshape2_1.4.4 dplyr_1.0.6 ## [43] rcpps_1.0.6 jquerylib_0.1.4 rhdf5filters_1.4.0 ## [46] vctrs_0.3.8 Biostrings_2.60.0 multtest_2.48.0 ## [49] nlme_1 . 3.1-152 ape_5.5 preprocesscore_1.4.0 ## [52] iterators_1.0.13 xfun_0.23 fastcluster_1.1.25 ## [55] string_1 .4.0 lifecycle_1.0.0edgeR_3.34.0 ## [58] zlibbioc_1.38.0 MASS_7.3-54 scales_1.1.1 ## [61] hms_1.1.0 biomformat_1.20.0 rhdf5_2.36.0 ## [64] RColorBrewer_1.1-2 yaml_2.2.1 memoise_2.0.0 ## [67] grdextra_2.3 ggplot2_3.3.3 sass_0.4.0 ## [70] rpart_1 .4.1 -15 latticeExtra_0.6-29 stringi_1.6.2 ## [73] RSQLite_2.2.7 highr_0.9 foreach_1.5.1 ## [76] permute_0.9-5 checkmate_2.0.0 rlang_0.4.11 ## [79] pkgconfig_2.0.3 bitops_1.0-7 evaluate_0.14 ## [82] lattice_0.20-44 Rhdf5lib_1.14.0 purrr_0.3.4 ## [85] htmlwidgets_1.5.3 bit_4.0.4tidyselect_1.1.1 ## [88] plyr_1.8.6 magrittr_2.0.1 bookdown_0.22 ## [91] R6_2.5.0 magick_2.7.2 generics_0.1.0 ## [94] Hmisc_4.5-0 DelayedArray_0.18.0 DBI_1.1.1 ## [97] mgcv_1.8-35 pillar_1.6.1 foreign_0.8-81 ## [100] fitdistrplus_1.1-3 survival_3.2-11 KEGGREST_1.32.0 ## [103] RCurl_1.98-1.3 nnet_7.3-16 tibble_3.1.2 ## [106] crayon_1.4.1 utf8_1.2.1 rmarkdown_2.8 ## [109] jpeg_0.1-8.1 progress_1.2.2 locfit_1.5-9.4 ## [112] grid_4.1.0 data.table_1.14.0 vegan_2.5-7 ## [115] blob_1.2.1 digest_0.6.27 munsell_0.5.0 ## [118] bslib_0.2.5.1