OOMPA
面向对象的微阵列和蛋白质组分析
注意:此网页已过时!你应该改变任何书签指向
http://bioinformatics.mdanderson.org/main/OOMPA:Overview．
2.12版本的新闻
OOMPA 2.12版本包括两个新包的实验版本:
- ArrayCube:构建于BioConductor的基本类之上，定义了一种结构，该结构概括了基因表达Omnibus中使用的MINiML格式。对MINiML格式的主要改进是包含了包含样本特征的注释数据帧。这个包提供了将ArrayCube转换为AffyBatch或RGList的例程。
- MINiML:读取从Gene Expression Omnibus下载的MINiML格式文件，并将它们存储在R中作为ArrayCubes。
groupName = " arraycube "在oompainstall函数。2.11版本的新闻
OOMPA版本2.11包括GenAlg包，它提供了一个可用于特征选择的遗传算法的R实现。您可以通过设置来安装此包groupName = " genalg "在oompainstall函数。
请注意
软件包的初始分发提供源代码和Windows二进制文件。只有当我们有空闲时间，并且有人有正确的机器和工具来构建这些二进制文件时，Macintosh二进制文件才会准备好。安装
从2.8版开始，我们建立了一个合适的R代码库。在2.9版中，相信这句谚语优秀的程序员编写优秀的代码，但优秀的程序员窃取优秀的代码，我们很高兴地从其中窃取了存储库管理脚本BioConductor并将其用于OOMPA。因此，安装OOMPA包最简单的方法是启动本地版本的R并使用命令:
源(“http://bioinformatics.mdanderson.org/OOMPA/oompaLite.R”)oompaLite ()这些命令将安装基本的OOMPA包。为了获得更大的(默认)包集，您可以执行该命令
oompainstall ()如果您希望获得所有内容(可能包括一些仍在开发中的实验性包)，那么使用该命令
oompainstall (groupName =“所有”)以下是允许的值的完整列表
groupName：Default, lite, generalg, prediction, supercurve, arraycube, all或者，如果您想要更多地控制安装哪些包，可以执行以下命令并从结果列表中进行选择。
install.packages(回购= " http://bioinformatics.mdanderson.org/OOMPA/2.12 ")默认情况下，安装例程假设您已经安装了它们依赖于CRAN或BioConductor的任何东西。为了让这些包自动安装，你需要更复杂的R代码:
settrepository (graphics=FALSE, ind=c(1,4)) myRepos <- c(getOption("repos")， OOMPA="http://bioinformatics.mdanderson.org/OOMPA/2.12") install.packages(repos=myRepos)源代码和windows二进制文件可用。如果有人想自愿把Macintosh二进制文件放在一起，我们也会把它们发布出来。
旧版本
对于在R 2.5.0到R 2.7.0上运行的OOMPA版本，请访问这里存档的网页．有关使用更老版本的R的OOMPA版本，请参阅这个档案．R库的OOMPA套件是早期面向对象微阵列分析库(OOMAL)的继承者，OOMAL最初是为S-Plus 2000编写的。除了基因表达微阵列数据外，还纳入了分析蛋白质组分析数据的常规，这促使了名称的更改。(它也启发了我们的偶像。它为主题音乐提供了一些可能性，但我们很确定我们不想这么做。)
描述
OOMPA是一套用于基因表达(RNA)微阵列数据和蛋白质组分析质谱数据分析的R库。OOMPA使用S4类构造具有一致用户界面的面向对象工具。OOMPA中的所有高级分析工具都使用expressionSet类定义在BioConductor。较低级别的处理工具提供了替代部分BioConductor的方法，但也可以用来增强现有的BioConductor包。
当前版本(OOMPA 2.9)中包含的包是
- oompaBase (手册) (装饰图案）
- 包含其他包正确加载所需的定义。有些定义(比如类联合)必须在加载使用它们的包之前是可见的，并且不能在同一个包中定义。
- 预处理(手册) (装饰图案）
-
微阵列数据低层次预处理的基础库。提供工具，用于在诊断和其他绘图中使用一致的配色方案。还定义了
处理器和管道使用的类，以便对象可以维护它们是如何产生的历史。 - ClassComparison (手册) (装饰图案）
-
ClassComparison库提供了对微阵列或蛋白质组学数据进行“类比较”分析的工具。分类比较问题始于两组或两组以上的已知样本，然后要求分析人员找出两组样本之间在某种程度上不同的基因或蛋白质。在这个版本中实现的方法包括
- 两个示例学习任务
- 固定效应线性模型与方差分析
- 通过控制错误发现率(FDR)来解释多次试验。
- 基于经验贝叶斯的Wilcoxon秩和检验
- 微阵列(SAM)的意义分析
- 误分类总数(TNoM)
- 控制家族错误率的Dudoit p值调整
- 光滑的学习任务
- ClassDiscovery (手册) (装饰图案）
-
ClassDiscovery库提供了对微阵列或蛋白质组学数据进行“类发现”分析的工具。类发现方法执行无监督分析，试图“学习”或“发现”数据中的组结构。在这个版本中实现的方法包括
- 非参数自举来测试群集的显著性
- 参数自举高斯噪声测试簇的显著性
- 生物样品的主成分分析
- Mosiac图(即由Mike Eisen引入微阵列的红绿双向层次聚类图)
- PCANOVA，它提供了一种“方差分析”启发的方法，b使用主成分来测试假定的群体结构是否真的存在于数据中
- 新!现在我们包含了一些函数来计算双峰性指数这是一种根据基因遵循“有用”双峰分布的可能性对基因进行排名的工具。这种方法是由Wang等人在一个手稿中介绍的癌症信息学．
- TailRank (手册) (装饰图案）
- Tail Rank检验是我们在微阵列或蛋白质组学数据集中发现生物标志物的新方法。该方法本质上是非参数的，主要关注被比较的两个类中分布的尾部。该方法允许分析人员执行真实的样本量和功率计算。
- SuperCurve (手册) (装饰图案）
- SuperCurve是我们用来分析逆相蛋白质阵列的软件包。这个包包含了加载原始数据文件的程序MicroVigene，拟合一个四参数联合logistic模型，以估计蛋白质浓度，以及评估拟合质量的方法。
- SuperCurveGUI (手册）
- SuperCurveGUI为super曲率包提供了一个图形用户界面。
- SlideDesignerGUI (手册）
- SlideDesignerGUI是一个图形工具，允许研究人员描述的位置和不同的正和负的控制乐动体育LDsports中国在反向相蛋白阵列。