В этом примере показано, как создать и управлять контейнерами MATLAB®, спроектированными для того, чтобы хранить данные из эксперимента микромассивов.
Экспериментальные данные микромассивов являются очень комплексными, обычно состоящий из данных и информации из многих других источников. Хранение и управление наборы больших и комплексных данных когерентным способом является проблемой. Bioinformatics Toolbox™ обеспечивает набор объектов представлять различные части данных из эксперимента микромассивов.
ExpressionSet
класс является одной, удобной структурой данных для различных типов хранения и управления данных из эксперимента экспрессии гена микромассивов.
ExpressionSet
объект состоит из этих четырех компонентов, которые характерны для всех экспериментов экспрессии гена микромассивов:
Данные об эксперименте: значения Выражения из экспериментов микромассивов. Эти данные хранятся как экземпляр ExptData
класс.
Демонстрационная информация: метаданные, описывающие выборки в эксперименте. Демонстрационные метаданные хранятся как экземпляр MetaData
класс.
Аннотации функции массива: аннотации о функциях или зондах на массиве используются в эксперименте. Аннотации могут храниться как экземпляр MetaData
класс.
Описания эксперимента: информация, чтобы описать методы эксперимента и условия. Информация может храниться как экземпляр MIAME
класс.
ExpressionSet
класс координирует и валидирует эти компоненты данных. Класс предоставляет методы для получения и установки данных, хранимых в ExpressionSet
объект. ExpressionSet
объект также ведет себя как много других структур данных MATLAB, которые могут быть из подмножества и скопированы.
В эксперименте экспрессии гена микромассивов измеренные значения выражения для каждой функции на выборку могут быть представлены как двумерная матрица. Матрица имеет строки F и столбцы S, где F является количеством функций на массиве, и S является количеством выборок, на которых были измерены значения выражения. DataMatrix
объект является двумерной матрицей, которую можно индексировать числами строки и столбца, логическими векторами или именами строки и столбца.
Создайте Datamatrix с именами строки и столбца.
dm = bioma.data.DataMatrix(rand(5,4), 'RowNames','Feature', 'ColNames', 'Sample')
dm = Sample1 Sample2 Sample3 Sample4 Feature1 0.81472 0.09754 0.15761 0.14189 Feature2 0.90579 0.2785 0.97059 0.42176 Feature3 0.12699 0.54688 0.95717 0.91574 Feature4 0.91338 0.95751 0.48538 0.79221 Feature5 0.63236 0.96489 0.80028 0.95949
Функциональный size
возвращает количество строк и столбцов в DataMatrix
объект.
size(dm)
ans = 5 4
Можно индексировать в DataMatrix
возразите как другие числовые массивы MATLAB при помощи чисел строки и столбца. Например, можно получить доступ к элементам в строках 1 и 2, столбце 3.
dm(1:2, 3)
ans = Sample3 Feature1 0.15761 Feature2 0.97059
Можно также индексировать в DataMatrix
объект при помощи его имен строки и столбца. Повторно присвойте элементы в строке 2 и 3, столбце 1 и 4 к различным значениям.
dm({'Feature2', 'Feature3'}, {'Sample1', 'Sample4'}) = [2, 3; 4, 5]
dm = Sample1 Sample2 Sample3 Sample4 Feature1 0.81472 0.09754 0.15761 0.14189 Feature2 2 0.2785 0.97059 3 Feature3 4 0.54688 0.95717 5 Feature4 0.91338 0.95751 0.48538 0.79221 Feature5 0.63236 0.96489 0.80028 0.95949
Данные об экспрессии гена, используемые в этом примере, являются маленьким набором данных из эксперимента микромассивов профильные взрослые шаблоны экспрессии гена мыши в общих деформациях на массиве Affymetrix® MG-U74Av2 [1].
Считайте значения выражения из отформатированного вкладкой файла mouseExprsData.txt
в рабочее пространство MATLAB как DataMatrix
объект.
exprsData = bioma.data.DataMatrix('file', 'mouseExprsData.txt'); class(exprsData)
ans = 'bioma.data.DataMatrix'
Получите свойства DataMatrix
объект, exprsData
.
get(exprsData)
Name: 'mouseExprsData' RowNames: {500x1 cell} ColNames: {1x26 cell} NRows: 500 NCols: 26 NDims: 2 ElementClass: 'double'
Проверяйте демонстрационные имена.
colnames(exprsData)
ans = 1x26 cell array Columns 1 through 8 {'A'} {'B'} {'C'} {'D'} {'E'} {'F'} {'G'} {'H'} Columns 9 through 16 {'I'} {'J'} {'K'} {'L'} {'M'} {'N'} {'O'} {'P'} Columns 17 through 24 {'Q'} {'R'} {'S'} {'T'} {'U'} {'V'} {'W'} {'X'} Columns 25 through 26 {'Y'} {'Z'}
Просмотрите первые 10 строк и 5 столбцов.
exprsData(1:10, 1:5)
ans = A B C D E 100001_at 2.26 20.14 31.66 14.58 16.04 100002_at 158.86 236.25 206.27 388.71 388.09 100003_at 68.11 105.45 82.92 82.9 60.38 100004_at 74.32 96.68 84.87 72.26 98.38 100005_at 75.05 53.17 57.94 60.06 63.91 100006_at 80.36 42.89 77.21 77.24 40.31 100007_at 216.64 191.32 219.48 237.28 298.18 100009_r_at 3806.7 1425 2468.5 2172.7 2237.2 100010_at NaN NaN NaN 7.18 22.37 100011_at 81.72 72.27 127.61 91.01 98.13
Выполните log2 преобразование значений выражения.
exprsData_log2 = log2(exprsData); exprsData_log2(1:10, 1:5)
ans = A B C D E 100001_at 1.1763 4.332 4.9846 3.8659 4.0036 100002_at 7.3116 7.8842 7.6884 8.6026 8.6002 100003_at 6.0898 6.7204 6.3736 6.3733 5.916 100004_at 6.2157 6.5951 6.4072 6.1751 6.6203 100005_at 6.2298 5.7325 5.8565 5.9083 5.998 100006_at 6.3284 5.4226 6.2707 6.2713 5.3331 100007_at 7.7592 7.5798 7.7779 7.8904 8.22 100009_r_at 11.894 10.477 11.269 11.085 11.127 100010_at NaN NaN NaN 2.844 4.4835 100011_at 6.3526 6.1753 6.9956 6.508 6.6166
Измените Name
свойство быть более описательный |.
exprsData_log2 = set(exprsData_log2, 'Name', 'Log2 Based mouseExprsData'); get(exprsData_log2)
Name: 'Log2 Based mouseExprsData' RowNames: {500x1 cell} ColNames: {1x26 cell} NRows: 500 NCols: 26 NDims: 2 ElementClass: 'double'
В эксперименте микромассивов набор данных часто содержит одну или несколько матриц, которые имеют одинаковое число строк и столбцы и идентичные имена строки и имена столбцов. ExptData
класс спроектирован, чтобы содержать и скоординировать одну или несколько матриц данных, имеющих идентичные имена строки и столбца с тем же размером размерности. Значения данных хранятся как DataMatrix
объекты. Каждый DataMatrix
объект является элементом ExptData
объект. ExptData
класс ответственен за подтверждение правильности данных и координацию между ними DataMatrix
объекты.
Храните данные об экспрессии гена натурального звукоряда и базовых значений выражения log2 отдельно в ExptData
объект.
mouseExptData = bioma.data.ExptData(exprsData, exprsData_log2,... 'ElementNames', {'naturalExprs', 'log2Exprs'})
mouseExptData = Experiment Data: 500 features, 26 samples 2 elements Element names: naturalExprs, log2Exprs
Доступ к DataMatrix
элемент в mouseExptData
использование имени элемента.
exprsData2 = mouseExptData('log2Exprs');
get(exprsData2)
Name: 'Log2 Based mouseExprsData' RowNames: {500x1 cell} ColNames: {1x26 cell} NRows: 500 NCols: 26 NDims: 2 ElementClass: 'double'
Метаданные о выборках в эксперименте микромассивов могут быть представлены как таблица со строками S и V столбцов, где S является количеством выборок, и V количество переменных. Содержимое таблицы является значениями каждой переменной для каждой выборки. Например, файл mouseSampleData.txt
содержит такую таблицу. Описание каждой демонстрационной переменной отмечено # символом.
MetaData
класс спроектирован для того, чтобы сохранить и управлять значениями переменных и их метаданными скоординированным способом. Можно считать mouseSampleData.txt
файл в MATLAB как MetaData
объект.
sData = bioma.data.MetaData('file', 'mouseSampleData.txt', 'vardescchar', '#')
sData = Sample Names: A, B, ...,Z (26 total) Variable Names and Meta Information: VariableDescription Gender {' Gender of the mouse in study' } Age {' The number of weeks since mouse birth'} Type {' Genetic characters' } Strain {' The mouse strain' } Source {' The tissue source for RNA collection' }
Свойства MetaData
класс предоставляет информацию о выборках и переменных.
numSamples = sData.NSamples numVariables = sData.NVariables
numSamples = 26 numVariables = 5
Значения переменных и описания переменной для выборок хранятся как два dataset
массивы в MetaData
класс. MetaData
класс предоставляет методы доступа значениям переменных и метаинформации, описывающей переменные.
Доступ к демонстрационным метаданным с помощью variableValues
метод.
sData.variableValues
ans = Gender Age Type Strain A {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} B {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} C {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} D {'Male'} 8 {'Wild type'} {'A/J ' } E {'Male'} 8 {'Wild type'} {'A/J ' } F {'Male'} 8 {'Wild type'} {'C57BL/6J ' } G {'Male'} 8 {'Wild type'} {'C57BL/6J' } H {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} I {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} J {'Male'} 8 {'Wild type'} {'A/J' } K {'Male'} 8 {'Wild type'} {'A/J' } L {'Male'} 8 {'Wild type'} {'A/J' } M {'Male'} 8 {'Wild type'} {'C57BL/6J' } N {'Male'} 8 {'Wild type'} {'C57BL/6J' } O {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} P {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} Q {'Male'} 8 {'Wild type'} {'A/J' } R {'Male'} 8 {'Wild type'} {'A/J' } S {'Male'} 8 {'Wild type'} {'C57BL/6J' } T {'Male'} 8 {'Wild type'} {'C57BL/6J4' } U {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} V {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} W {'Male'} 8 {'Wild type'} {'A/J' } X {'Male'} 8 {'Wild type'} {'A/J' } Y {'Male'} 8 {'Wild type'} {'C57BL/6J' } Z {'Male'} 8 {'Wild type'} {'C57BL/6J' } Source A {'amygdala' } B {'amygdala' } C {'amygdala' } D {'amygdala' } E {'amygdala' } F {'amygdala' } G {'amygdala' } H {'cingulate cortex'} I {'cingulate cortex'} J {'cingulate cortex'} K {'cingulate cortex'} L {'cingulate cortex'} M {'cingulate cortex'} N {'cingulate cortex'} O {'hippocampus' } P {'hippocampus' } Q {'hippocampus' } R {'hippocampus' } S {'hippocampus' } T {'hippocampus' } U {'hypothalamus' } V {'hypothalamus' } W {'hypothalamus' } X {'hypothalamus' } Y {'hypothalamus' } Z {'hypothalamus' }
Просмотрите сводные данные демонстрационных метаданных.
summary(sData.variableValues)
Gender: [26x1 cell array of character vectors] Age: [26x1 double] min 1st quartile median 3rd quartile max 8 8 8 8 8 Type: [26x1 cell array of character vectors] Strain: [26x1 cell array of character vectors] Source: [26x1 cell array of character vectors]
sampleNames
и variableNames
методы являются удобными способами получить доступ к именам выборок и переменных. Получите имена переменных sData
объект.
variableNames(sData)
ans = 1x5 cell array {'Gender'} {'Age'} {'Type'} {'Strain'} {'Source'}
Можно получить метаинформацию о переменных, описывающих выборки с помощью variableDesc
метод. В этом примере это содержит только описания о переменных.
variableDesc(sData)
ans = VariableDescription Gender {' Gender of the mouse in study' } Age {' The number of weeks since mouse birth'} Type {' Genetic characters' } Strain {' The mouse strain' } Source {' The tissue source for RNA collection' }
Вы можете подмножество выборочные данные sData
объект, использующий числовую индексацию.
sData(3:6, :)
ans = Sample Names: C, D, ...,F (4 total) Variable Names and Meta Information: VariableDescription Gender {' Gender of the mouse in study' } Age {' The number of weeks since mouse birth'} Type {' Genetic characters' } Strain {' The mouse strain' } Source {' The tissue source for RNA collection' }
Можно отобразить деформацию мыши определенных выборок при помощи числовой индексации.
sData.Strain([2 14])
ans = 2x1 cell array {'129S6/SvEvTac'} {'C57BL/6J' }
Обратите внимание на то, что строка называет в sData
и имена столбцов в exprsData
то же самое. Это - важное отношение между данными о выражении и выборочными данными в том же эксперименте.
all(ismember(sampleNames(sData), colnames(exprsData)))
ans = logical 1
Метаданные о функциях или тестовом наборе на массиве могут быть очень большими и разнообразными. Производители чипа обычно обеспечивают определенный файл аннотации для функций каждого типа массива. Метаданные могут храниться как MetaData
объект для определенного эксперимента. В этом примере файл аннотации для массива MG-U74Av2 может быть загружен с веб-сайта Affymetrix. Необходимо будет преобразовать файл от CSV до формата XLSX с помощью программного обеспечения электронной таблицы.
Считайте целый файл в MATLAB как dataset
массив. В качестве альтернативы можно использовать Range
опция в dataset
конструктор. Любые пробелы в именах переменных удалены, чтобы сделать их допустимыми именами переменной MATLAB. Предупреждение выведено каждый раз, когда это происходит.
mgU74Av2 = table2dataset(readtable('MG_U74Av2_annot.xlsx'));
Warning: Column headers from the file were modified to make them valid MATLAB identifiers before creating variable names for the table. The original column headers are saved in the VariableDescriptions property. Set 'VariableNamingRule' to 'preserve' to use the original column headers as table variable names.
Смотрите свойства этого dataset
массив.
get(mgU74Av2)
Description: '' VarDescription: {1x43 cell} Units: {} DimNames: {'Row' 'Variables'} UserData: [] ObsNames: {} VarNames: {1x43 cell}
Определите количество тестовых идентификаторов набора в файле аннотации.
numel(mgU74Av2.ProbeSetID)
ans = 12488
Получите имена переменных, описывающих функции на массиве, и просмотрите первые 20 имен переменных.
fDataVariables = get(mgU74Av2, 'VarNames');
fDataVariables(1:20)'
ans = 20x1 cell array {'ProbeSetID' } {'GeneChipArray' } {'SpeciesScientificName' } {'AnnotationDate' } {'SequenceType' } {'SequenceSource' } {'TranscriptID_ArrayDesign_'} {'TargetDescription' } {'RepresentativePublicID' } {'ArchivalUniGeneCluster' } {'UniGeneID' } {'GenomeVersion' } {'Alignments' } {'GeneTitle' } {'GeneSymbol' } {'ChromosomalLocation' } {'UnigeneClusterType' } {'Ensembl' } {'EntrezGene' } {'SwissProt' }
Установите ObsNames
свойство к тестовым идентификаторам набора, так, чтобы можно было получить доступ к отдельным генным аннотациям путем индексации с тестовыми идентификаторами набора.
mgU74Av2 = set(mgU74Av2,'ObsNames',mgU74Av2.ProbeSetID); mgU74Av2('100709_at',{'GeneSymbol','ChromosomalLocation'})
ans = GeneSymbol ChromosomalLocation 100709_at {'Tpbpa'} {'chr13 B2|13 36.0 cM'}
В некоторых случаях полезно извлечь определенные аннотации, которые относятся к анализу. Извлеките аннотации для GeneTitle
, GeneSymbol
, ChromosomalLocation
, и Pathway
относительно функций в exprsData
.
mgU74Av2 = mgU74Av2(:,{'GeneTitle',... 'GeneSymbol',... 'ChromosomalLocation',... 'Pathway'}); mgU74Av2 = mgU74Av2(rownames(exprsData),:); get(mgU74Av2)
Description: '' VarDescription: {1x4 cell} Units: {} DimNames: {'Row' 'Variables'} UserData: [] ObsNames: {500x1 cell} VarNames: {1x4 cell}
Можно сохранить аннотацию функции dataset
массив как экземпляр MetaData
класс.
fData = bioma.data.MetaData(mgU74Av2)
fData = Sample Names: 100001_at, 100002_at, ...,100717_at (500 total) Variable Names and Meta Information: VariableDescription GeneTitle {'NA'} GeneSymbol {'NA'} ChromosomalLocation {'NA'} Pathway {'NA'}
Заметьте, что нет никаких описаний для переменных функции в fData
MetaData
объект. Можно добавить описания о переменных в fData
использование variableDesc
метод.
fData = variableDesc(fData, {'Gene title of a probe set',... 'Probe set gene symbol',... 'Probe set chromosomal locations',... 'The pathway the genes involved in'})
fData = Sample Names: 100001_at, 100002_at, ...,100717_at (500 total) Variable Names and Meta Information: VariableDescription GeneTitle {'Gene title of a probe set' } GeneSymbol {'Probe set gene symbol' } ChromosomalLocation {'Probe set chromosomal locations' } Pathway {'The pathway the genes involved in'}
MIAME
класс является гибким контейнером данных, спроектированным для набора основных описаний об эксперименте микромассивов, таких как следователи, лаборатории и проекты массивов. MIAME
класс свободно следует за Минимальной информацией Об Эксперименте Микромассивов (MIAME) спецификация [2].
Создайте MIAME
объект путем предоставления некоторой основной информации.
expDesc = bioma.data.MIAME('investigator', 'Jane OneName',... 'lab', 'Bioinformatics Laboratory',... 'title', 'Example Gene Expression Experiment',... 'abstract', 'An example of using microarray objects.',... 'other', {'Notes: Created from a text files.'})
expDesc = Experiment Description: Author name: Jane OneName Laboratory: Bioinformatics Laboratory Contact information: URL: PubMedIDs: Abstract: A 5 word abstract is available. Use the Abstract property. No experiment design summary available. Other notes: {'Notes: Created from a text files.'}
Другой способ создать MIAME
объект из данных о серии GEO. MIAME
класс заполнит соответствующие свойства от структуры серии GEO. Информация, сопоставленная с генным экспериментом профиля в этом примере, доступна от базы данных GEO под инвентарным номером GSE3327
[1]. Получите ГЕО Серийные данные с помощью getgeodata
функция.
getgeodata('GSE3327', 'ToFile', 'GSE3327.txt');
Считайте данные в структуру.
geoSeries = geoseriesread('GSE3327.txt')
geoSeries = struct with fields: Header: [1x1 struct] Data: [12488x87 bioma.data.DataMatrix]
Создайте MIAME
объект.
exptGSE3327 = bioma.data.MIAME(geoSeries)
exptGSE3327 = Experiment Description: Author name: Iiris,,Hovatta David,J,Lockhart Carrolee,,Barlow Laboratory: The Salk Institute for Biological Studies Contact information: Carrolee,,Barlow URL: PubMedIDs: 16244648 Abstract: A 14 word abstract is available. Use the Abstract property. Experiment Design: A 8 word summary is available. Use the ExptDesign property. Other notes: {'ftp://ftp.ncbi.nlm.nih.gov/pub/geo/DATA/supplementary/series/GSE3327/GSE3327_RAW.tar'}
Просмотрите краткий обзор эксперимента и его идентификаторов PubMed.
abstract = exptGSE3327.Abstract pubmedID = exptGSE3327.PubMedID
abstract = 'Adult mouse gene expression patterns in common strains Keywords: mouse strain and brain region comparison' pubmedID = '16244648'
ExpressionSet
класс специально разработан для данных об эксперименте экспрессии гена микромассивов. Соберите ExpressionSet
объект для эксперимента экспрессии гена мыши в качестве примера от различных объектов данных вы только создали.
exptSet = bioma.ExpressionSet(exprsData, 'SData', sData,... 'FData', fData,... 'Einfo', exptGSE3327)
exptSet = ExpressionSet Experiment Data: 500 features, 26 samples Element names: Expressions Sample Data: Sample names: A, B, ...,Z (26 total) Sample variable names and meta information: Gender: Gender of the mouse in study Age: The number of weeks since mouse birth Type: Genetic characters Strain: The mouse strain Source: The tissue source for RNA collection Feature Data: Feature names: 100001_at, 100002_at, ...,100717_at (500 total) Feature variable names and meta information: GeneTitle: Gene title of a probe set GeneSymbol: Probe set gene symbol ChromosomalLocation: Probe set chromosomal locations Pathway: The pathway the genes involved in Experiment Information: use 'exptInfo(obj)'
Можно также создать ExpressionSet
объект только со значениями выражения в DataMatrix
или числовая матрица.
miniExprSet = bioma.ExpressionSet(exprsData)
miniExprSet = ExpressionSet Experiment Data: 500 features, 26 samples Element names: Expressions Sample Data: none Feature Data: none Experiment Information: none
Объекты данных для эксперимента микромассивов могут быть сохранены как файлы MAT. Сохраните ExpressionSet
объект exptSet
в файл с именем MAT mouseExpressionSet.mat
.
save mouseExpressionSet exptSet
Очистите переменные из рабочего пространства MATLAB.
clear dm exprs* mouseExptData ME sData
Загрузите файл MAT mouseExpressionSet
в рабочее пространство MATLAB.
load mouseExpressionSet
Смотрите загруженный ExpressionSet
объект.
exptSet.elementNames
ans = 1x1 cell array {'Expressions'}
exptSet.NSamples
ans = 26
exptSet.NFeatures
ans = 500
Много методов доступны, чтобы получить доступ и обновить данные, хранимые в ExpressionSet
объект.
Можно получить доступ к столбцам выборочных данных с помощью записи через точку.
exptSet.Strain(1:5)
ans = 5x1 cell array {'129S6/SvEvTac'} {'129S6/SvEvTac'} {'129S6/SvEvTac'} {'A/J ' } {'A/J ' }
Получите имена функции с помощью featureNames
метод. В этом примере имена функции являются тестовыми идентификаторами набора на массиве.
featureNames(exptSet, 1:5)
ans = 5x1 cell array {'100001_at'} {'100002_at'} {'100003_at'} {'100004_at'} {'100005_at'}
К уникальному идентификатору выборок можно получить доступ через sampleNames
метод.
exptSet.sampleNames(1:5)
ans = 1x5 cell array {'A'} {'B'} {'C'} {'D'} {'E'}
sampleVarNames
списки методов имена переменных в выборочных данных.
exptSet.sampleVarNames
ans = 1x5 cell array {'Gender'} {'Age'} {'Type'} {'Strain'} {'Source'}
Извлеките dataset
массив, содержащий демонстрационную информацию.
sDataset = sampleVarValues(exptSet)
sDataset = Gender Age Type Strain A {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} B {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} C {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} D {'Male'} 8 {'Wild type'} {'A/J ' } E {'Male'} 8 {'Wild type'} {'A/J ' } F {'Male'} 8 {'Wild type'} {'C57BL/6J ' } G {'Male'} 8 {'Wild type'} {'C57BL/6J' } H {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} I {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} J {'Male'} 8 {'Wild type'} {'A/J' } K {'Male'} 8 {'Wild type'} {'A/J' } L {'Male'} 8 {'Wild type'} {'A/J' } M {'Male'} 8 {'Wild type'} {'C57BL/6J' } N {'Male'} 8 {'Wild type'} {'C57BL/6J' } O {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} P {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} Q {'Male'} 8 {'Wild type'} {'A/J' } R {'Male'} 8 {'Wild type'} {'A/J' } S {'Male'} 8 {'Wild type'} {'C57BL/6J' } T {'Male'} 8 {'Wild type'} {'C57BL/6J4' } U {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} V {'Male'} 8 {'Wild type'} {'129S6/SvEvTac'} W {'Male'} 8 {'Wild type'} {'A/J' } X {'Male'} 8 {'Wild type'} {'A/J' } Y {'Male'} 8 {'Wild type'} {'C57BL/6J' } Z {'Male'} 8 {'Wild type'} {'C57BL/6J' } Source A {'amygdala' } B {'amygdala' } C {'amygdala' } D {'amygdala' } E {'amygdala' } F {'amygdala' } G {'amygdala' } H {'cingulate cortex'} I {'cingulate cortex'} J {'cingulate cortex'} K {'cingulate cortex'} L {'cingulate cortex'} M {'cingulate cortex'} N {'cingulate cortex'} O {'hippocampus' } P {'hippocampus' } Q {'hippocampus' } R {'hippocampus' } S {'hippocampus' } T {'hippocampus' } U {'hypothalamus' } V {'hypothalamus' } W {'hypothalamus' } X {'hypothalamus' } Y {'hypothalamus' } Z {'hypothalamus' }
Получите ExptData
объект, содержащий значения выражения. Может быть больше чем один DataMatrix
объект с идентичными размерностями в ExptData
объект. В ExpressionSet
объект, всегда существует элемент DataMatrix
возразите названному Expressions
содержа матрицу выражения.
exptDS = exptData(exptSet)
exptDS = Experiment Data: 500 features, 26 samples 1 elements Element names: Expressions
Извлеките только выражение DataMatrix
экземпляр.
dMatrix = expressions(exptSet);
Возвращенное выражение DataMatrix
должно быть идентично exprsData
DataMatrix
возразите, что вы создали ранее.
get(dMatrix)
Name: 'mouseExprsData' RowNames: {500x1 cell} ColNames: {1x26 cell} NRows: 500 NCols: 26 NDims: 2 ElementClass: 'double'
Получите идентификаторы PubMed для эксперимента, сохраненного в exptSet
.
exptSet.pubMedID
ans = '16244648'
Вы можете подмножество ExpressionSet
возразите так, чтобы можно было фокусироваться на выборках и функциях интереса. Первые подмножества аргумента индексации функции и вторые подмножества аргумента выборки.
Создайте новый ExpressionSet
объект, состоящий из первых пяти функций и выборок под названием A
B
, и C
.
mySet = exptSet(1:5, {'A', 'B', 'C'})
mySet = ExpressionSet Experiment Data: 5 features, 3 samples Element names: Expressions Sample Data: Sample names: A, B, C Sample variable names and meta information: Gender: Gender of the mouse in study Age: The number of weeks since mouse birth Type: Genetic characters Strain: The mouse strain Source: The tissue source for RNA collection Feature Data: Feature names: 100001_at, 100002_at, ...,100005_at (5 total) Feature variable names and meta information: GeneTitle: Gene title of a probe set GeneSymbol: Probe set gene symbol ChromosomalLocation: Probe set chromosomal locations Pathway: The pathway the genes involved in Experiment Information: use 'exptInfo(obj)'
size(mySet)
ans = 5 3
featureNames(mySet)
ans = 5x1 cell array {'100001_at'} {'100002_at'} {'100003_at'} {'100004_at'} {'100005_at'}
sampleNames(mySet)
ans = 1x3 cell array {'A'} {'B'} {'C'}
Можно также создать подмножество, состоящее только из выборок от тканей гиппокампа.
hippocampusSet = exptSet(:, nominal(exptSet.Source)== 'hippocampus')
hippocampusSet = ExpressionSet Experiment Data: 500 features, 6 samples Element names: Expressions Sample Data: Sample names: O, P, ...,T (6 total) Sample variable names and meta information: Gender: Gender of the mouse in study Age: The number of weeks since mouse birth Type: Genetic characters Strain: The mouse strain Source: The tissue source for RNA collection Feature Data: Feature names: 100001_at, 100002_at, ...,100717_at (500 total) Feature variable names and meta information: GeneTitle: Gene title of a probe set GeneSymbol: Probe set gene symbol ChromosomalLocation: Probe set chromosomal locations Pathway: The pathway the genes involved in Experiment Information: use 'exptInfo(obj)'
hippocampusSet.Source
ans = 6x1 cell array {'hippocampus'} {'hippocampus'} {'hippocampus'} {'hippocampus'} {'hippocampus'} {'hippocampus'}
hippocampusExprs = expressions(hippocampusSet);
get(hippocampusExprs)
Name: 'mouseExprsData' RowNames: {500x1 cell} ColNames: {'O' 'P' 'Q' 'R' 'S' 'T'} NRows: 500 NCols: 6 NDims: 2 ElementClass: 'double'
[1] Hovatta, я., и др., "Glyoxalase 1 и редуктаза глутатиона 1 регулируют беспокойство в мышах", Природа, 438 (7068):662-6, 2005.
[2] Brazma, A., и др., "Минимальная информация об эксперименте микромассивов (MIAME) - к стандартам для микроданных массива", Нэт. Генетта. 29 (4):365-371, 2001.