生信人的20個R語言習題

生信技能樹原文鏈接

請先看：生信人的linux考試

1. 安裝一些R包：

數據包： ALL, CLL, pasilla, airway
軟件包：limma，DESeq2，clusterProfiler
工具包：reshape2
繪圖包：ggplot2</pre>

#不同領域的R包使用頻率不一樣，在生物信息學領域，尤其需要掌握bioconductor系列包。

2. 了解ExpressionSet對象，比如CLL包里面就有data(sCLLex) ，找到它包含的元素，提取其表達矩陣(使用exprs函數)，查看其大小
   1. 參考：http://www.bio-info-trainee.com/bioconductor_China/software/limma.html
   2. 參考：https://github.com/bioconductor-china/basic/blob/master/ExpressionSet.md
3. 了解 str,head,help函數，作用于 第二步提取到的表達矩陣
4. 安裝并了解 hgu95av2.db 包,看看 ls("package:hgu95av2.db") 后 顯示的那些變量
5. 理解 head(toTable(hgu95av2SYMBOL)) 的用法，找到 TP53 基因對應的探針ID
6. 理解探針與基因的對應關系，總共多少個基因，基因最多對應多少個探針，是哪些基因，是不是因為這些基因很長，所以在其上面設計多個探針呢？
7. 第二步提取到的表達矩陣是12625個探針在22個樣本的表達量矩陣，找到那些不在 hgu95av2.db包收錄的對應著SYMBOL的探針。
   1. 提示：有1165個探針是沒有對應基因名字的。
8. 過濾表達矩陣，刪除那1165個沒有對應基因名字的探針。
9. 整合表達矩陣，多個探針對應一個基因的情況下，只保留在所有樣本里面平均表達量最大的那個探針。
   1. 提示，理解 tapply,by,aggregate,split 函數 , 首先對每個基因找到最大表達量的探針。
   2. 然后根據得到探針去過濾原始表達矩陣
10. 把過濾后的表達矩陣更改行名為基因的symbol，因為這個時候探針和基因是一對一關系了。
11. 對第10步得到的表達矩陣進行探索，先畫第一個樣本的所有基因的表達量的boxplot,hist,density ， 然后畫所有樣本的 這些圖
12. 參考：http://bio-info-trainee.com/tmp/basic_visualization_for_expression_matrix.html
13. 理解ggplot2的繪圖語法，數據和圖形元素的映射關系
14. 理解統計學指標mean,median,max,min,sd,var,mad并計算出每個基因在所有樣本的這些統計學指標，最后按照mad值排序，取top 50 mad值的基因，得到列表。
15. 注意：這個題目出的并不合規，請仔細看。
16. 根據第12步驟得到top 50 mad值的基因列表來取表達矩陣的子集，并且熱圖可視化子表達矩陣。試試看其它5種熱圖的包的不同效果。
17. 取不同統計學指標mean,median,max,mean,sd,var,mad的各top50基因列表，使用UpSetR包來看他們之間的overlap情況。
18. 在第二步的基礎上面提取CLL包里面的data(sCLLex) 數據對象的樣本的表型數據。
19. 對所有樣本的表達矩陣進行聚類并且繪圖，然后添加樣本的臨床表型數據信息(更改樣本名)
20. 對所有樣本的表達矩陣進行PCA分析并且繪圖，同樣要添加表型信息。
21. 根據表達矩陣及樣本分組信息進行批量T檢驗，得到檢驗結果表格
22. 使用limma包對表達矩陣及樣本分組信息進行差異分析，得到差異分析表格，重點看logFC和P值，畫個火山圖(就是logFC和-log10(P值)的散點圖。)。
23. 對T檢驗結果的P值和limma包差異分析的P值畫散點圖，看看哪些基因相差很大。