设计师网址导航优缺点_成都关键词优化_如何做好推广引流_持续优化疫情防控举措

从RNA测序数据中推断差异RNA编辑位点的统计推断

描述

本仓库包含两个R函数，用于运行REDITs（RNA编辑测试）来调用差异RNA编辑位点：

在病例-对照（或条件1 vs 条件2）队列之间显著不同的RNA编辑位点
- 由REDIT-LLR（RNA编辑测试 - 对数似然比）处理
显著与分类变量（例如性别、性别）和/或定量变量（例如ADAR表达、年龄）相关的RNA编辑位点
- 由REDIT-Regression（RNA编辑测试 - 回归）处理

这些测试考虑了编辑中的生物学变异和从计数数据（如RNA-seq）计算编辑时的固有不准确性。因此，它们在5%假阳性阈值及以下比常用的替代方法（如t检验、Wilcoxon秩和检验或合并Fisher精确检验）具有更大的功效和更低的假阳性。

安装

你只需要基础的 R

REDITs中的两个测试都使用了stats包中的optim函数，这是一个基础包，在R中自动包含并加载。

如果你想使用下面的示例代码进行并行化，那么你需要安装

doParallel
foreach

但是REDITs中的实际测试（单独运行速度非常快）并不使用这些包。除非你计划在一个包含数百万编辑位点的数据集上运行，否则它们也不需要并行化。

使用方法

REDIT-LLR

source("REDIT_LLR.R")

函数文档

REDIT_LLR(data, groups)

data: 一个2xn的数值矩阵。第一行包含支持编辑的计数（例如RNA-seq读数）。第二行包含支持非编辑的计数。每一列对应一个样本的数据。

groups: 一个字符向量，对应于2xn数据矩阵中每一列的条件/队列/疾病-对照成员。它必须恰好有两个唯一的字符串。length(unique(groups)) == 2

返回值: 一个列表

data and groups: 原始数据和groups参数
mle.for.group.disease, mle.for.group.control, and mle.for.null.model: 疾病和对照组以及零模型的beta分布的最大似然估计。你可以通过将各自的alpha / (alpha+beta)来获得每个条件的平均编辑水平。然而，请注意，这些估计值不足以获得编辑水平的最大似然方差。
log.likelihood.for.group.disease, log.likelihood.for.group.control, and log.likelihood.for.null: 对应最大似然估计的对数似然值
p.value: 测试该编辑位点在疾病-对照组之间是否具有统计显著性的p值。

列表元素的实际名称将根据groups参数中的两个唯一字符串而变化。

代码示例

>source("REDIT_LLR.R")
>the_data = matrix( c(1,9, 2,9, 8,1,10,0),nrow=2)
>the_groups = c('disease','disease','control','control');
>REDIT_LLR(data=the_data, groups=the_groups)
>> 
$data[,1] [,2] [,3] [,4]
[1