maSigPro 使用：maSigPro包中并没有直接叫maSi

image.png

有谁是用过老版本的maSigPro之后来到这里的吗？

现在maSigPro包中并没有直接叫maSigPro()的函数。通常来说，该包中的关键功能函数是用来处理时序表达数据的，因此我们需要使用其他函数来替代，例如p.vector()、T.fit()、get.siggenes()等。

以下是maSigPro的典型分析流程，可以使用这些函数来进行差异表达和时序数据分析：

完整分析流程：

1. 设计矩阵（make.design.matrix）：
   首先，需要创建设计矩阵（design matrix）来描述你的实验设计。

   design_grp <- make.design.matrix(design = data.frame(sample = c(1, 2, 3, 4),
                                                        group = c(1, 1, 2, 2)),
                                    degree = 2)
   

2. 初步差异表达分析（p.vector）：
   使用p.vector()函数来拟合线性模型并计算每个基因的P值。

   fit <- p.vector(mono_ave, design_grp, Q = 0.05)
   

3. 模型拟合与回归（T.fit）：
   使用T.fit()来进一步拟合模型，得出最终的基因表达模式。

   fit2 <- T.fit(fit, step.method = "backward")
   

4. 提取显著基因（get.siggenes）：
   提取显著差异表达的基因，并可视化它们的表达模式。

   sig_genes <- get.siggenes(fit2, rsq = 0.7, vars = "group")
   

5. 基因可视化（see.genes 和 PlotProfiles）：
   可以用see.genes()和PlotProfiles()来可视化显著基因的表达模式。

   see.genes(sig_genes$group, show.fit = TRUE, dis = design_grp$dis)
   

代码示例：

下面是一个完整的代码流程示例：

# 加载 maSigPro 包
library(maSigPro)

# 创建设计矩阵
design_grp <- make.design.matrix(design = data.frame(sample = c(1, 2, 3, 4),
                                                     group = c(1, 1, 2, 2)),
                                 degree = 2)

# 使用 p.vector 计算 P 值
fit <- p.vector(mono_ave, design_grp, Q = 0.05)

# 使用 T.fit 进行回归
fit2 <- T.fit(fit, step.method = "backward")

# 提取显著基因
sig_genes <- get.siggenes(fit2, rsq = 0.7, vars = "group")

# 可视化显著基因
see.genes(sig_genes$group, show.fit = TRUE, dis = design_grp$dis)

函数解释：

• p.vector()：该函数用于拟合基因表达数据与实验设计的线性模型，并计算每个基因的P值。
• T.fit()：在初步筛选后，进一步拟合模型，并通过回归方法筛选出差异表达基因。
• get.siggenes()：从模型中提取显著差异表达的基因。
• see.genes()：可视化显著基因的表达模式。

参考文献：

1. Conesa, A., et al. (2006). maSigPro: a method to identify significantly differential expression profiles in time-course microarray experiments. Bioinformatics, 22(9), 1096-1102. [DOI:10.1093/bioinformatics/btl056]