菜单

R语言通过loess去除某个变量对数码的震慑

2018年12月25日 - 生物科技

  当我们想琢磨不同sample的某部变量A之间的差距时,往往会因为另外一些变量B对该变量的本来影响,而影响不比sample变量A的可比,那一个时候需要对sample变量A举办标准之后才能展开相比较。标准化的章程是对sample
的 A变量和B变量举行loess回归,拟合变量A关于变量B的函数
f(b),f(b)则意味着在B的影响下A的论战取值,A-f(B)(A对f(b)残差)就足以去掉B变量对A变量的震慑,此时残差值就可以看作标准的A值在不同sample之间开展相比较。

Loess局部加权多项式回归

  LOWESS最初由Cleveland
指出,后又被Cleveland&Devlin及其它众五人进化。在R中loess
函数是以lowess函数为根基的更复杂功用更有力的函数。首要考虑为:在数据集合的每一点用低维多项式拟合数据点的一个子集,并揣度该点附近自变量数据点所对应的因变量值,该多项式是用加权最小二乘法来拟合;离该点越远,权重越小,该点的回归函数值就是其一部分多项式来赢得,而用于加权最小二乘回归的多少子集是由多年来邻方法确定。
  最大优点:不需要事先设定一个函数来对负有数据拟合一个模型。并且可以对同样数据开展频繁例外的拟合,先对某个变量举行拟合,再对另一变量举办拟合,以商量数据中恐怕存在的某种关联,那是平常的回归拟合无法成功的。

LOESS平滑方法

  1.
以x0为主题确定一个间距,区间的宽度可以灵活明白。具体来说,区间的宽窄取决于q=fn。其中q是插手部分回归观看值的个数,f是到位一些回归观看值的个数占观望值个数的百分比,n是阅览值的个数。在其实使用中,往往先选定f值,再按照f和n确定q的取值,一般情形下f的取值在1/3到2/3期间。q与f的取值一般没有规定的准则。增大q值或f值,会招致平滑值平滑程度大增,对于数据中前在的一线变化形式则分辨率低,但噪声小,而对数据中大的变通格局的显现则相比好;小的q值或f值,曲线粗糙,分辨率高,但噪声大。没有一个规范的f值,相比较明智的做法是无休止的调试相比较。
  2.
定义区间内所有点的权数,权数由权数函数来确定,比如立方加权函数weight =
(1 –
(dist/maxdist)^3)^3),dist为距离x的相距,maxdist为距离内距离x的最大距离。任一点(x0,y0)的权数是权数函数曲线的万丈。权数函数应包括以下多少个方面特征:(1)加权函数上的点(x0,y0)具有最大权数。(2)当x离开x0(时,权数逐渐滑坡。(3)加权函数以x0为核心对称。
  3.
对区间内的散点拟合一条曲线y=f(x)。拟合的直线反映直线关系,接近x0的点在直线的拟合中起到根本的功能,区间外的点它们的权数为零。
  4.
x0的平滑点就是x0在拟合出来的直线上的拟合点(y0,f(
x0))。
  5. 对所有的点求出平滑点,将平滑点连接就得到Loess回归曲线。

R语言代码

 loess(formula, data, weights, subset, na.action, model = FALSE,
       span = 0.75, enp.target, degree = 2,
       parametric = FALSE, drop.square = FALSE, normalize = TRUE,
       family = c("gaussian", "symmetric"),
       method = c("loess", "model.frame"),
       control = loess.control(...), ...)

  formula是公式,比如y~x,能够输入1到4个变量;
  data是放着变量的数据框,如若data为空,则在环境中搜寻;
  na.action指定对NA数据的处理,默认是getOption(“na.action”);
  model是否重返模型框;
  span是alpha参数,能够操纵平滑度,相当于地点所述的f,对于alpha小于1的时候,区间涵盖alpha的点,加权函数为立方加权,大于1时,使用所有的点,最大距离为alpha^(1/p),p
为表明变量;
  anp.target,定义span的备选模式;
生物科技,  normalize,对多变量normalize到同一scale;
  family,固然是gaussian则使用最小二乘法,假设是symmetric则应用双权函数进行再降低的M推断;
  method,是适应模型或者唯有提取模型框架;
  control进一步更尖端的操纵,使用loess.control的参数;
  另外参数请自己参见manual并且查找资料

loess.control(surface = c("interpolate", "direct"),
          statistics = c("approximate", "exact"),
          trace.hat = c("exact", "approximate"),
          cell = 0.2, iterations = 4, ...)

  华为平板,拟合表面是从kd数举行插值依旧举办标准统计;
  statistics,总结数据是可靠总计如故近似,精确总括很慢
  trace.hat,要盯住的坦荡的矩阵精确总计或近乎?提议使用超越1000个数据点逼近,
  cell,假若因而kd树最大的点展开插值的好像。大于cell
floor(nspancell)的点被划分。
  robust fitting使用的迭代次数。

predict(object, newdata = NULL, se = FALSE,
    na.action = na.pass, ...)

  object,使用loess拟合出来的目的;
  newdata,可选数据框,在内部寻找变量并拓展展望;
  se,是否统计标准误差;
  对NA值的处理

实例

  生物数据解析中,大家想查看PCR扩增出来的扩增子的测序深度以内的出入,但不同的扩增子的扩增效用受到GC含量的熏陶,由此我们首先应该排除掉GC含量对扩增子深度的震慑。

数据

amplicon
测序数据,处理后得到的各类amplicon的吃水,每个amplicon的GC含量,每个amplicon的长度
生物科技 1
先用loess举办曲线的拟合

gcCount.loess <- loess(log(RC+0.01)~GC,data=RC_DT,control = loess.control(surface = "direct"),degree=2)

画出拟合出来的曲线

predictions1<- predict (gcCount.loess,RC_DT$GC)
#plot scatter and line 
plot(RC_DT$GC,log(RC_DT$RC+0.01),cex=0.1,xlab="GC Content",ylab=expression(paste("log(NRC"["lib"],"+0.01)",sep="")))
lines(RC_DT$GC,predictions1,col = "red")

生物科技 2

取残差,去除GC含量对纵深的震慑

#sustract the influence of GC
resi <- log(RC_DT$RC+0.01)-predictions1
RC_DT$RC <- resi
setkey(RC_DT,GC)

此时RC_DT$RC就是normalize之后的RC
画图展现nomalize之后的RC,并将拟合的loess曲线和normalize之后的数目保存

#plot scatter and line using Norm GC data
plot(RC_DT$GC,RC_DT$RC,cex=0.1,xlab="GC Content",ylab=expression("NRC"["GC"]))
gcCount.loess <- loess(RC~GC,data=RC_DT,control = loess.control(surface = "direct"),degree=2)
save(gcCount.loess,file="/home/ywliao/project/Gengyan/gcCount.loess.Robject")
predictions2 <- predict(gcCount.loess,RC_DT$GC)
lines(RC_DT$GC,predictions2,col="red")
save(RC_DT,file="/home/ywliao/project/Gengyan/RC_DT.Rdata")

生物科技 3

本来,也想看一下amplicon 长度len 对RC的熏陶,可是影响不大
生物科技 4

方方面面代码如下(经过修改,可能与地点完全匹配):

library(data.table)

load("/home/ywliao/project/Gengyan/RC_DT.Rdata")
RRC_DT <- RC_DT[Type=="WBC" & !is.na(RC),]

lst <- list()
for (Samp in unique(RC_DT$Sample)){
RC_DT <- RRC_DT[Sample==Samp]
####loess GC vs RC####
gcCount.loess <- loess(log(RC+0.01)~GC,data=RC_DT,control = loess.control(surface = "direct"),degree=2)
predictions1<- predict (gcCount.loess,RC_DT$GC)
#plot scatter and line 
#plot(RC_DT$GC,log(RC_DT$RC+0.01),cex=0.1,xlab="GC Content",ylab=expression(paste("log(NRC"["lib"],"+0.01)",sep="")))
#lines(RC_DT$GC,predictions1,col = "red")
#sustract the influence of GC
resi <- log(RC_DT$RC+0.01)-predictions1
RC_DT$NRC <- resi
setkey(RC_DT,GC)
#plot scatter and line using Norm GC data
#plot(RC_DT$GC,RC_DT$NRC,cex=0.1,xlab="GC Content",ylab=expression("NRC"["GC"]))
gcCount.loess <- loess(NRC~GC,data=RC_DT,control = loess.control(surface = "direct"),degree=2)
predictions2 <- predict(gcCount.loess,RC_DT$GC)
#lines(RC_DT$GC,predictions2,col="red")
lst[[Samp]] <- RC_DT
}
NRC_DT <- rbindlist(lst)
save(RC_DT,file="/home/ywliao/project/Gengyan/NRC_DT.Rdata")

####loess len vs RC###
setkey(RC_DT,Len)
len.loess <- loess(RC_DT$NRC~RC_DT$Len, control = loess.control(surface = "direct"),degree=2)
predictions2<- predict (len.loess,RC_DT$Len)
#plot scatter and line 
plot(RC_DT$Len,RC_DT$NRC,cex=0.1,xlab="Length",ylab=expression(paste("log(RC"["GC"],"+0.01)",sep="")))
lines(RC_DT$Len,predictions2,col = "red")

相关文章

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图