教程

最近在学习bookdown，顺便复现了我的硕士论文，网址是swcyo.github.io/masterthesis/ 这个完全是用R生成的，安装好bookdown以后，新建一个Project，类型选择Book project using bookdown 写书的原理是一个一个的Rmd文件，首页是index，然后按00-，01-，02-，03-这样新建或重命名Rmd文档，默认按数字的顺序拼接文章。最终文章目录的生成取决与标题级数。 目前1.4版的RStudio合成了markdown可视化，可以直接点击选择用几级的标题，一般Heading1就是章数，然后逐级设置，注意的是完全不用自己写序号，序号都是自动生成的，写完以后点击Knit就可以渲染，这里要注意如果只是预览效果，点击一次Knit生成的只是你写的那一章，除非你写完每一章都重新Knit，否则不是完整的文章，有一个Bulid的选项可以生成电子书，也有很简单的代码实现 bookdown::render_book(“你的项目.Rproj”) 最终演示效果如下 访问量：

很早的时候，我给自己做过一个个人简历的网站并上传到Github上了，但是由于Github很不稳定，所以我又导到码云上，不得不说码云确实很快，至少很多github的包可以无缝导入gitee安装了。 目前RStudio已经更新到1.4版了，最让人惊喜的是有了对markdown编辑可视化的界面了，这极大方便了我这种不喜欢代码的懒人，其实我们现在的静态网站基本都是基于markdwon，尽管已经有很多软件可视化，不过能把所有需要的功能集中在一起不是更好吗？所以先给RStudio点个大赞。 以前的我建个人简历是基于Y叔的一个教程，可以很好的作出效果，我的那个简历也是如此，主要原理是把一个csv的表格的内容嵌入进来，然后用R markdown自动生成html，然后你就可以浏览了，其实所有的一切都要感谢yihui大神的Rmarkdwon，而他又开发了各种包让我们可以做博客、可以写书、写论文，设置还能写幻灯片，所有的一切都是Rmd下的模板而已，而个人简历也是一个模版。 RStduio已经高度集成了Rmarkdown，所以你不用安装软件，这里只需要安装一个包，这个包就是’rticles’，听发音就已经知道了，article，就是专门给学术开发的一个包，这里面包括了几十种流行杂志的模板，也就是说，用这个包，你其实还可以用来写SCI！！！ 好了，铺垫写完了，我们就开始正题，首先需要安装这个包，很经典，因为这个包就在CRAN上，所以直接点击Packages-Install，输入名字安装即可，当然也可以代码安装，而且安装完以后你也不需要运行，其实只是相当于给RStudio多一个插件。 # install.packages('rticles') ##如果代码安装的话，把前面那个#去掉 那么，怎么最快的找到这个插件呢，其实就在右上角的第一个➕号上面，点击选择R Markdwon，然后这里就会多一个From Template，里面又很多很多模板，我们拉到HTML Resume，设置一个工作目录，命名，然后OK，这样就会多一个Untitled.Rmd的文件了，里面有很多代码和字母。 如何看效果呢，直接直接点Knit，弹出一个文件夹保存好，就可以渲染看到效果了，结果1.4版本的可视化编辑，会方便很多 Knit在🔍边上 这就是我们看到的效果 渲染简历效果 剩下的就是自己改细节了，记得不是保存以后就可以看到效果，每次修改完以后都要点Knit渲染

基本介绍 oncomine是一个很好的肿瘤数据库，功能很强大，也有可视化的操作，但是最大的问题是数据不能很好的获得，，而且自带的图很丑（而且只是png），关于oncomine的教程有很多，比较经典有解螺旋的教程，比如下面这个，基本涵盖了常用的功能： 麦子陪你做作业（三）：肿瘤经典数据库Oncomine实训操作 然而，大神yikeshu0611默默的为我们付出，之前开发了一个R包叫ROncomine可以很方便的获得数据，并且再次出图，不过最近又更新为oncomineR了，新版的我还没研究，这里我们还是先说老版的ROncomine 这个包以前托管在Github上（由于众所皆知的原因，国内访问Github很困难），但是目前已经删除了，好在我之前已经导入到了我的码云上了，所以也可以很快的安装。 以前其实还有一个教程破解oncomine无法免费下载数据，学员开发了一款R语言包，但是目前也被删除了，估计这个还是有版权的，所以我还是悄悄的写个自己看的教程 首先需要安装devtools，然后调用install_git函数就可以直接安装,之后就方便了 install.packages(‘devtools’) devtools::install_git(’https://gitee.com/swcyo/oncomineR’)) 其实每一个oncomine的数据都可以使用浏览器获得，用chrome浏览器登录，随便一个地方鼠标右击找到检查元素，就可以看到代码区，使用Crtl+F查找<map，我们需要的代码全都在<map那一片，右击复制然后新建一个文本文档保存起来 oncomineR的原理只是是把检查元素里<map那串代码二次处理，从而简化工作，然后调用ploty作图，当然你也可以用ggplot2再次画图 单基因在基本中的总结（Gene Summary） 按照解螺旋的教程，比如搜索CXCL8基因，实际上基因名为IL8，然后我们可以在右边看到这样的一个热图： 我们复制<map那一串代码，保存为heatmap.txt文件，我们可以用Oncomine_heatmap_DiseaseSummaryfor_SomeGene处理 library(ROncomine) heat<-Oncomine_heatmap_DiseaseSummaryfor_SomeGene('/Users/mac/Documents/GitHub/myblog/content/post/2021-08-19-oncomine/heatmap.

在科研工作中，使用较多的应该就是两独立样本的显著性检验，也就是我们常说的比较两个组有没有统计学差异，比方说我们收集了身高数据，想比较男性和女性的身高有没有差别，这就是两独立样本的显著性检验，而最让人耳熟能详的就是t检验，然而有时候（我认为更多的适合）却又有一个非参数检验，其实统计学不那么严谨的话，基本都是用t检验，然而这样暴力的选择并不科学，那么到底该如何选择才是最科学的呢？ 目前常用的统计软件有SPSS和GraphPad，不过这两个都是收费软件，虽然有破解版，然而总归是没有版权的，而R作为开源软件，又附带N多的包，功能什么强大，反正免费就是王道。。。 有两个参考网站可以供学习 R-两独立样本t检验 R-两独样本Wilcoxon检验 一、假设检验的前提是什么？ 1. 两个样本是否独立？ 如果两个样本不是独立样本，而是配对样本，那么就不能用独立样本的t检验，而应该是配对样本的t检验。 独立样本就是说两组样本没有什么关联，比如说男女的身高差，男的就跟女的没有任何关联 配对样本是其实是一种样本，不过经历了某种干预，比方说没有用药的时候是A组，然后给A组的成员用了药就变成了B组；又比方说同一个病人标本取了癌组织和癌旁组织，那么所有取了癌组织和癌旁组织标本的患者就是配对样本。 2. 两组中每组的数据是否服从正态分布？ 在进行假设检验前，首先就要看是不是正态分布，也就是说要进行正态检验，一般有Shapiro-Wilk test（S-W检验）和Kolmogorov-Smirnov test（K-S检验），两种方法都有人用，但是一般选择S-W检验。这里我们一般不需要过分纠结选哪种，K-S检验适合用于大数据样本的正态性检验，我们主流还是选择S-W检验（shapiro.test()）。 只有符合正态分布的才可以使用t检验 如果数据不是正态分布的，可以尝试先进行数值转换，如log2处理，如果满足正态分布，可以选择t检验

临床上经常使用WB验证蛋白表达水平,使用ImageJ算出个泳道的灰度值以后,需要做归一化和均一化处理,步骤如下: 首先计算目的蛋白/内参蛋白得到相对比,(有的人直接拿这个来统计,当然也可以,但是对照组就不是1) 拿各个相对比再除以各组的对照组组的相对比,这样对照组就都是1了 这个功能可以很容易使用Excel or WPS实现,当然也可以直接进行T检验,但是发现如果所有值是1的话,是无法在excel上使用t检验函数的,当然最常见的是SPSS,最常用的作图工具是Graphpad Prism或Origin,不过定制性最高的却是R 比如有这样一个WB表格数据 sample A B C Actin NC1 128061 362791 73876 595320 OE1 444296 685776 205065 595894 DR1 760531 1008761 336254 596468 NC2 206016 267960 126144 553840 OE2 454608 624546 251256 545392 DR2 703200 981132 376368 536944 NC3 215730 236808 118008 560008 OE3 441000 639600 255750 560505 DR3 666270 1042392 393492 561002 从excel里面复制以后,可以从excel直接粘贴数据 (Mac系统代码) wb <- read.

比如有如下的一个表格 library(DT) pcr<-read.csv('~/Desktop/pcr.csv') knitr::kable(pcr) group GAPDH ST3GAL5 X_Ct cycle NC 12.17 23.76 11.59 first NC 11.88 23.79 11.91 first NC 11.92 23.57 11.

比较肿瘤与正常组织的差异,需要进行两独立样本的T检验,可以用boxplot展示,还可以用RCO曲线评估预测性能,那么可以用ggplot2和pROC进行图片构建. 首先导入数据,需要类型和数值两列,如下所示: library(readr) data<- read.csv("content/post/2020-08-16-roc/data.csv") knitr::kable(data) Type value Cancer 10.005625 Cancer 7.851749 Cancer 10.030667 Cancer 10.79604 Cancer 9.