Sobre qué es R y Bioconductor

Guillermo Ayala Gallego

2025-02-27

Introducción

Instalando R

  • Primero instalamos R

  • Una vez instalado el R base la instalación de algun paquete adicional

install.packages("UsingR")

R

apt update apt install r-base r-base-dev apt install libatlas3-base

Markdown

Instalando los paquetes de la asignatura

apt update
apt upgrade
apt install libcurl4 libcurl4-openssl-dev libssl-dev libxml2-dev libcairo2-dev libxt-dev

Una sola muestra

Construyendo y jugando con un vector

x = c(3,6,3,6,7,1,4,7,4,4)
class(x)
[1] "numeric"
x
 [1] 3 6 3 6 7 1 4 7 4 4
x[1]
[1] 3
3:7
[1] 3 4 5 6 7
x[3:7]
[1] 3 6 7 1 4
c(1,3,5:8)
[1] 1 3 5 6 7 8
x[c(1,3,5:8)]
[1] 3 3 7 1 4 7
x[x >= 4]
[1] 6 6 7 4 7 4 4
x[x > 6]
[1] 7 7
y = x[x > 4 & x <= 6]

De cómo ordenar un vector

sort(x)
 [1] 1 3 3 4 4 4 6 6 7 7
sort(x,index.return = TRUE)
$x
 [1] 1 3 3 4 4 4 6 6 7 7

$ix
 [1]  6  1  3  7  9 10  2  4  5  8
sort(x,decreasing = TRUE,index.return = TRUE)
$x
 [1] 7 7 6 6 4 4 4 3 3 1

$ix
 [1]  5  8  2  4  7  9 10  1  3  6

Varias muestras

Matrices

x = matrix(rpois(10*4,lambda=5),nrow=10)
class(x)
[1] "matrix" "array" 
colnames(x) = c("sample1","sample2","sample3","sample4")
colnames(x) = paste0("sample",1:4)
rownames(x) = paste0("gene",1:10) 
x
       sample1 sample2 sample3 sample4
gene1        7       6       4       6
gene2        6       4       4       3
gene3        2       6       9       8
gene4        5       4       4       4
gene5        5       6       7       5
gene6        6       5       9       7
gene7        2       3       7       7
gene8        7       4       4       4
gene9        4       3       2       6
gene10       2       8       5       6

La expresión del gen en la fila 6 y en la columna 2.

x[6,2]
[1] 5
x["gene6","sample2"]
[1] 5

La expresión de los genes en la muestra 2 podemos hacerlo con

x[,2]
 gene1  gene2  gene3  gene4  gene5  gene6  gene7  gene8  gene9 gene10 
     6      4      6      4      6      5      3      4      3      8 
x[,"sample2"]
 gene1  gene2  gene3  gene4  gene5  gene6  gene7  gene8  gene9 gene10 
     6      4      6      4      6      5      3      4      3      8

Borramos el espacio de trabajo.

rm(list=ls())

Datos golub

  • Los datos son los niveles de expresión de 3051 genes (que aparecen en filas) para 38 pacientes de leucemia. De estos pacientes, 27 de ellos tienen leucemia linfoblástica aguda (ALL) y los restantes 11 tienen leucemia mieloide aguda (AML).
data(golub,package="multtest")
  • Hemos leído
golub.cl
 [1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1

¿Qué tipo de dato tenemos?

class(golub.cl)
[1] "numeric"

Es más cómodo trabajarlo como factor.

(golub.fac = factor(golub.cl,levels=0:1,labels=c("ALL","AML")))
 [1] ALL ALL ALL ALL ALL ALL ALL ALL ALL ALL ALL ALL ALL ALL ALL ALL ALL ALL ALL
[20] ALL ALL ALL ALL ALL ALL ALL ALL AML AML AML AML AML AML AML AML AML AML AML
Levels: ALL AML

Veamos un resumen.

summary(golub.fac)
ALL AML 
 27  11

Gráficamente.

pacman::p_load(ggplot2)
df0 = data.frame(golub.fac)
ggplot(df0,aes(x=golub.fac))+geom_bar()
  • Los datos de expresión están en el objeto golub.
class(golub)
[1] "matrix" "array"
  • Veamos las expresiones de los primeros genes
head(golub,n=2)
         [,1]     [,2]     [,3]     [,4]     [,5]     [,6]     [,7]     [,8]
[1,] -1.45769 -1.39420 -1.42779 -1.40715 -1.42668 -1.21719 -1.37386 -1.36832
[2,] -0.75161 -1.26278 -0.09052 -0.99596 -1.24245 -0.69242 -1.37386 -0.50803
         [,9]    [,10]    [,11]    [,12]    [,13]    [,14]   [,15]    [,16]
[1,] -1.47649 -1.21583 -1.28137 -1.03209 -1.36149 -1.39979 0.17628 -1.40095
[2,] -1.04533 -0.81257 -1.28137 -1.03209 -0.74005 -0.83161 0.41200 -1.27669
        [,17]    [,18]    [,19]    [,20]    [,21]    [,22]    [,23]    [,24]
[1,] -1.56783 -1.20466 -1.24482 -1.60767 -1.06221 -1.12665 -1.20963 -1.48332
[2,] -0.74370 -1.20466 -1.02380 -0.38779 -1.06221 -1.12665 -1.20963 -1.12185
        [,25]    [,26]    [,27]    [,28]    [,29]    [,30]    [,31]    [,32]
[1,] -1.25268 -1.27619 -1.23051 -1.43337 -1.08902 -1.29865 -1.26183 -1.44434
[2,] -0.65264 -1.27619 -1.23051 -1.18065 -1.08902 -1.05094 -1.26183 -1.25918
       [,33]    [,34]    [,35]    [,36]   [,37]    [,38]
[1,] 1.10147 -1.34158 -1.22961 -0.75919 0.84905 -0.66465
[2,] 0.97813 -0.79357 -1.22961 -0.71792 0.45127 -0.45804
  • El número de filas corresponde con el número de genes.
nrow(golub)
[1] 3051
  • El número de columnas corresponde con el número de individuos o muestras.
ncol(golub)
[1] 38

O las dimensiones de la matriz.

dim(golub)
[1] 3051   38

Un perfil de expresión

El nivel de expresión del gen que está en la fila 2000 y ha sido observado en la muestra 3 (columna 3).

golub[2000,3]
[1] 0.51981

Y todos los niveles de este gen lo tendremos con

golub[2000,]
 [1]  0.73124 -0.19598  0.51981 -0.54371  0.55596  1.40683  0.79772  0.59493
 [9]  0.99503  0.39529  0.09834  0.19595  0.85017 -1.39979  1.09789 -0.74362
[17]  0.44207  0.27698 -0.04128 -1.60767 -1.06221 -1.12665  0.47863 -0.44014
[25]  0.22286  0.42795  0.65427  0.07257 -0.28093 -0.20985  0.05160 -1.44434
[33] -0.17118 -1.34158  0.92325 -0.21462 -1.34579  1.17048

A estos niveles los llamaremos perfil de expresión.

muestra = 1:ncol(golub) ## En abscisas el número de la muestra
y2000 = golub[2000,] ## En ordenadas su expresión

Dibujando el perfil de expresión

golub[2000,12]
[1] 0.19595
golub[2000,]
 [1]  0.73124 -0.19598  0.51981 -0.54371  0.55596  1.40683  0.79772  0.59493
 [9]  0.99503  0.39529  0.09834  0.19595  0.85017 -1.39979  1.09789 -0.74362
[17]  0.44207  0.27698 -0.04128 -1.60767 -1.06221 -1.12665  0.47863 -0.44014
[25]  0.22286  0.42795  0.65427  0.07257 -0.28093 -0.20985  0.05160 -1.44434
[33] -0.17118 -1.34158  0.92325 -0.21462 -1.34579  1.17048
pacman::p_load(ggplot2)
muestra = 1:ncol(golub) ## En abscisas el número de la muestra
y2000 = golub[2000,] ## En ordenadas su expresión
df = data.frame(muestra = 1:ncol(golub),y2000= golub[2000,])
ggplot(df,aes(x = muestra,y= y2000))+geom_point()

golub[2000,golub.fac == "ALL"]
 [1]  0.73124 -0.19598  0.51981 -0.54371  0.55596  1.40683  0.79772  0.59493
 [9]  0.99503  0.39529  0.09834  0.19595  0.85017 -1.39979  1.09789 -0.74362
[17]  0.44207  0.27698 -0.04128 -1.60767 -1.06221 -1.12665  0.47863 -0.44014
[25]  0.22286  0.42795  0.65427
golub[2000,golub.fac == "AML"]
 [1]  0.07257 -0.28093 -0.20985  0.05160 -1.44434 -0.17118 -1.34158  0.92325
 [9] -0.21462 -1.34579  1.17048
df = data.frame(muestra = 1:ncol(golub),y2000= golub[2000,],
                tipo = golub.fac)
ggplot(df,aes(x = muestra,y= y2000,colour=tipo))+geom_point() +
    xlab("Número de muestra") + ylab("Gen en fila 2000") +
    facet_grid(tipo~.)

df = data.frame(muestra = 1:ncol(golub),y2000= golub[2000,],
                tipo = golub.fac)
ggplot(df,aes(x = muestra,y= y2000,colour=tipo))+geom_point() +
    xlab("Número de muestra") + ylab("Gen en fila 2000") +
    facet_grid(tipo~.)

df = data.frame(muestra = 1:ncol(golub),y2000= golub[2000,],
                tipo = golub.fac)
ggplot(df,aes(x = muestra,y= y2000,colour=tipo))+geom_point() +
    xlab("Número de muestra") + ylab("Gen en fila 2000") +
    facet_grid(. ~ tipo) #Modificamos esta línea

De qué genes estamos hablando

golub.gnames[2000,]
[1] "4544"          "CDC21 HOMOLOG" "X74794_at"    
class(golub.gnames)
[1] "matrix" "array" 
dim(golub.gnames)
[1] 3051    3
golub.gnames[2000,2]
[1] "CDC21 HOMOLOG"
golub.gnames[2000,3]
[1] "X74794_at"
colnames(golub) = golub.fac

apply

mean(golub[2000,])
[1] 0.02080211
mean(golub[2000,])
[1] 0.02080211
  • Seleccionamos las submatrices correspondientes a cada leucemia.
golub.ALL = golub[,golub.fac == "ALL"]
golub.AML = golub[,golub.fac == "AML"]
  • Calculamos la media y la mediana para cada submatriz de golub.
ALL.mean = apply(golub[,golub.fac == "ALL"],1,mean)
AML.mean = apply(golub[,golub.fac == "AML"],1,mean)
ALL.median = apply(golub[,golub.fac == "ALL"],1,median)
AML.median = apply(golub[,golub.fac == "AML"],1,median)

df = data.frame(x0 = ALL.mean, y0 = AML.mean)
p = ggplot(df,aes(x=x0,y=y0))+geom_point()
p + xlab("Medias ALL") + ylab("Medias AML")

Medias de ALL (abscisas) frente a las medias AML (ordenadas)

Listas

Listas

  • Tenemos un grupo de 10 genes que podemos identificar por un número.
seq_len(10)
 [1]  1  2  3  4  5  6  7  8  9 10
  • Tenemos tres grupos.
geneset1 = c(1,4)
geneset2 = c(2,5,7,8)
geneset3 = c(1,5,6)
(genesets = vector("list",3))
[[1]]
NULL

[[2]]
NULL

[[3]]
NULL
genesets[[1]] = geneset1
genesets[[2]] = geneset2
genesets[[3]] = geneset3
genesets
[[1]]
[1] 1 4

[[2]]
[1] 2 5 7 8

[[3]]
[1] 1 5 6
names(genesets) = paste0("set",1:3)
genenames = paste0("gene",1:10)
genesets[[1]] = genenames[geneset1]
genesets[[2]] = genenames[geneset2]
genesets[[3]] = genenames[geneset3]

lapply y sapply

  • ¿Qué longitud tiene cada grupo de genes?

La primera opción con lapply.

lapply(genesets,function(i) length(i))
$set1
[1] 2

$set2
[1] 4

$set3
[1] 3

Notar que hemos utilizado una función anónima.

Podemos conseguir un vector con

unlist(lapply(genesets,function(i) length(i)))
set1 set2 set3 
   2    4    3

También lo podemos obtener con sapply.

sapply(genesets,function(i) length(i))
set1 set2 set3 
   2    4    3

Bioconductor

Instalación

install.packages("BiocManager")
BiocManager::install(version = "3.16")
  • Una vez instalado la parte básica de Bioconductor podemos instalar algún paquete adicional (como ALL).
BiocManager::install("ALL", version = "3.16",dependencies=TRUE)