################################################### ### chunk number 1: make data ################################################### set.seed(1) Y <- rnorm(20) X <- matrix(rnorm(200), 20, 10) X[,1:3] <- X[,1:3] + Y colnames(X) <- LETTERS[1:10] ################################################### ### chunk number 2: ################################################### library(globaltest) ################################################### ### chunk number 3: options ################################################### gt.options(trace=FALSE, max.print=45) ################################################### ### chunk number 4: full formula simple ################################################### gt(Y~1, Y~A+B+C, data = X) ################################################### ### chunk number 5: full formula ################################################### gt(Y~D, Y~A+B+C+D, data = X) ################################################### ### chunk number 6: summary ################################################### summary(gt(Y~A, Y~A+B+C, data = X)) ################################################### ### chunk number 7: ################################################### res <- gt(Y~A, Y~A+B+C, data = X) p.value(res) z.score(res) result(res) size(res) ################################################### ### chunk number 8: eval=FALSE ################################################### ## gt(Y~A, ~B+C, data = X) ################################################### ### chunk number 9: ################################################### gt(Y~A+B+C, data = X) ################################################### ### chunk number 10: ################################################### gt(Y~A, ~., data = X) ################################################### ### chunk number 11: ################################################### gt(Y, X) ################################################### ### chunk number 12: null design ################################################### designA <- cbind(1, X[,"A"]) gt(Y, X, designA) ################################################### ### chunk number 13: poisson ################################################### P <- rpois(20, lambda=2) gt(P~A, ~., data=X, model = "Poisson") gt(P~A, ~., data=X, model = "linear") ################################################### ### chunk number 14: permutations ################################################### gt(Y,X) gt(Y,X, permutations=1e4) ################################################### ### chunk number 15: ################################################### hist(gt(Y,X, permutations=1e4)) ################################################### ### chunk number 16: ################################################### A <- X[,"A"] gt(Y,X,A) gt(Y,X,~A) ################################################### ### chunk number 17: no intercept ################################################### gt(Y~0+A, ~ B+C, data = X) ################################################### ### chunk number 18: alternative intercept ################################################### IC <- rep(1, 20) gt(Y~0+A, ~ IC+B+C, data = X) ################################################### ### chunk number 19: factors ################################################### YY <- rnorm(6) FF <- factor(rep(letters[1:2], 3)) GG <- factor(rep(letters[3:5], 2)) model.matrix(gt(YY ~ FF + GG, x = TRUE))$alternative ################################################### ### chunk number 20: ordered factors ################################################### GG <- ordered(GG) model.matrix(gt(YY ~ GG, x = TRUE))$alternative ################################################### ### chunk number 21: weights ################################################### res <- gt(Y, X) weights(res) ################################################### ### chunk number 22: ################################################### res <- gt(Y,X, standardize=TRUE) weights(res) ################################################### ### chunk number 23: eval=FALSE ################################################### ## gt(Y, X[,c("A","A","B")], weights=c(.5,.5,1)) ## gt(Y, X[,c("A","B")]) ################################################### ### chunk number 24: ################################################### gt(Y, X, directional = TRUE) ################################################### ### chunk number 25: ################################################### gt(Y~A+B+C,data=X, test.value=c(.2,.2,.2)) ################################################### ### chunk number 26: ################################################### os <- X[,1:3]%*%c(.2,.2,.2) gt(Y~offset(os), ~A+B+C, data=X) ################################################### ### chunk number 27: covariates preparation ################################################### gt(Y~A+B, data=X) gt(Y~A, data=X) gt(Y~B, data=X) ################################################### ### chunk number 28: covariates ################################################### covariates(gt(Y,X)) ################################################### ### chunk number 29: covariatesW ################################################### covariates(gt(Y,X), what="w") ################################################### ### chunk number 30: covariates output ################################################### res <- covariates(gt(Y,X)) res[1:10] ################################################### ### chunk number 31: covariates leafNodes ################################################### leafNodes(res, alpha=0.10) ################################################### ### chunk number 32: covariates_zoom ################################################### covariates(gt(Y,X), zoom=TRUE) ################################################### ### chunk number 33: ################################################### subjects(gt(Y,X)) ################################################### ### chunk number 34: ################################################### subjects(gt(Y,X), what="s", mirror=FALSE) ################################################### ### chunk number 35: subset ################################################### set <- LETTERS[1:3] gt(Y,X, subsets = set) ################################################### ### chunk number 36: many sets ################################################### sets <- list(one=LETTERS[1:3], two=LETTERS[4:6]) gt(Y,X, subsets = sets) ################################################### ### chunk number 37: subsets method ################################################### res <- gt(Y,X, subsets = sets) subsets(res) ################################################### ### chunk number 38: many weights ################################################### wts <- list(up = 1:10, down = 10:1) gt(Y,X,weights=wts) ################################################### ### chunk number 39: single weight many subsets ################################################### gt(Y,X, subsets=sets, weights=1:10) ################################################### ### chunk number 40: subsets and weights ################################################### gt(Y,X, subsets=sets, weights=wts) gt(Y,X, subsets=sets, weights=list(1:3,7:5)) ################################################### ### chunk number 41: alias ################################################### res <- gt(Y,X, weights=wts, alias = c("one", "two")) alias(res) alias(res) <- c("ONE", "TWO") ################################################### ### chunk number 42: sort ################################################### res[1] sort(res) ################################################### ### chunk number 43: p.adjust ################################################### p.adjust(res) p.adjust(res, "BH") p.adjust(res, "BY") ################################################### ### chunk number 44: focuslevel set structure ################################################### level1 <- as.list(LETTERS[1:10]) names(level1) <- letters[1:10] level2 <- list(abc = LETTERS[1:3], cde = LETTERS[3:5], fgh = LETTERS[6:8], hij = LETTERS[8:10]) level3 <- list(all = LETTERS[1:10]) dag <- c(level1, level2, level3) ################################################### ### chunk number 45: focus level choice ################################################### fl <- names(level2) fl <- findFocus(dag, maxsize=8) ################################################### ### chunk number 46: focus level ################################################### res <- gt(Y,X) res <- focusLevel(res, sets = dag, focus=fl) sort(res) ################################################### ### chunk number 47: focus level leaf nodes ################################################### leafNodes(res) ################################################### ### chunk number 48: draw ################################################### draw(res, names=TRUE) ################################################### ### chunk number 49: draw legend eval=FALSE ################################################### ## legend <- draw(res) ################################################### ### chunk number 50: inheritance set structure ################################################### level1 <- as.list(LETTERS[1:10]) names(level1) <- letters[1:10] level2 <- list(ab = LETTERS[1:2], cde = LETTERS[3:5], fg = LETTERS[6:7], hij = LETTERS[8:10]) level3 <- list(all = LETTERS[1:10]) tree <- c(level1, level2, level3) ################################################### ### chunk number 51: inheritance ################################################### res <- gt(Y,X) resI <- inheritance(res, tree) resI ################################################### ### chunk number 52: inheritance ################################################### hc <- hclust(dist(t(X))) resHC <- inheritance(res, hc) resHC ################################################### ### chunk number 53: inheritance leaf nodes ################################################### leafNodes(resI) leafNodes(resHC) ################################################### ### chunk number 54: inheritance_draw ################################################### draw(resHC, names=TRUE) ################################################### ### chunk number 55: inheritance covariates eval=FALSE ################################################### ## covariates(res) ################################################### ### chunk number 56: transpose option eval=FALSE ################################################### ## gt.options(transpose=TRUE) ################################################### ### chunk number 57: load Golub ################################################### library(golubEsets) data(Golub_Train) ################################################### ### chunk number 58: vsn ################################################### library(vsn) exprs(Golub_Train) <- exprs(vsn2(Golub_Train)) ################################################### ### chunk number 59: overall ################################################### gt(ALL.AML, Golub_Train) ################################################### ### chunk number 60: Source ################################################### gt(ALL.AML ~ Source, Golub_Train) ################################################### ### chunk number 61: transpose option eval=FALSE ################################################### ## gt.options(transpose=TRUE) ################################################### ### chunk number 62: trim option eval=FALSE ################################################### ## gt.options(trim=TRUE) ################################################### ### chunk number 63: gtKEGG ################################################### gtKEGG(ALL.AML, Golub_Train, id = "04110") ################################################### ### chunk number 64: KEGG organism package ################################################### eg <- as.list(hu6800ENTREZID) gtKEGG(ALL.AML, Golub_Train, id="04110", probe2entrez = eg, annotation="org.Hs.eg.db") ################################################### ### chunk number 65: gtKEGG multtest ################################################### gtKEGG(ALL.AML, Golub_Train, id=c("04110","04210"), multtest="BH") ################################################### ### chunk number 66: testKEGG eval=FALSE ################################################### ## gtKEGG(ALL.AML, Golub_Train) ################################################### ### chunk number 67: gtGO ################################################### gtGO(ALL.AML, Golub_Train, id="GO:0007049") ################################################### ### chunk number 68: GO organism package ################################################### eg <- as.list(hu6800ENTREZID) gtGO(ALL.AML, Golub_Train, id="GO:0007049", probe2entrez = eg, annotation="org.Hs.eg") ################################################### ### chunk number 69: testBP eval=FALSE ################################################### ## gtGO(ALL.AML, Golub_Train, ontology="BP", minsize = 10, maxsize = 500) ################################################### ### chunk number 70: gtGO multtest ################################################### gtGO(ALL.AML, Golub_Train, id=c("GO:0007049","GO:0006915"), multtest="BH") ################################################### ### chunk number 71: focusGO ################################################### descendants <- get("GO:0007049", GOBPOFFSPRING) res <- gtGO(ALL.AML, Golub_Train, id = c("GO:0007049", descendants), multtest = "focus") leafNodes(res) ################################################### ### chunk number 72: significantGO1 eval=FALSE ################################################### ## draw(res, interactive=TRUE) ## legend <- draw(res) ################################################### ### chunk number 73: significantGO2 ################################################### draw(res) ################################################### ### chunk number 74: getBroadSets eval=FALSE ################################################### ## broad <- getBroadSets("your/path/to/msigdb_v.2.5.xml") ################################################### ### chunk number 75: gtBroad eval=FALSE ################################################### ## gtBroad(ALL.AML, Golub_Train, id = "chr5q33", collection=broad) ################################################### ### chunk number 76: Broad organism package eval=FALSE ################################################### ## eg <- as.list(hu6800ENTREZID) ## gtBroad(ALL.AML, Golub_Train, id = "chr5q33", collection=broad, probe2entrez = eg, annotation="org.Hs.eg.db") ################################################### ### chunk number 77: gtBroad multtest eval=FALSE ################################################### ## gtBroad(ALL.AML, Golub_Train, id=c("chr5q33","chr5q34"), multtest="BH", collection=broad) ################################################### ### chunk number 78: Broad c1 eval=FALSE ################################################### ## gtBroad(ALL.AML, Golub_Train, category="c1", collection=broad) ################################################### ### chunk number 79: KEGG_covariates ################################################### res <- gtKEGG(ALL.AML, Golub_Train, id = "04110") features(res, alias=hu6800SYMBOL) ################################################### ### chunk number 80: LeafNodes geneplot ################################################### ft <- features(res, alias=hu6800SYMBOL) leafNodes(ft) ################################################### ### chunk number 81: subsets leafNodes eval=FALSE ################################################### ## subsets(leafNodes(ft)) ################################################### ### chunk number 82: KEGG_covariates_zoom ################################################### res <- gtKEGG(ALL.AML, Golub_Train, id = "04110") features(res, alias=hu6800SYMBOL, zoom=TRUE) ################################################### ### chunk number 83: pdf covariates eval=FALSE ################################################### ## res_all <- gtKEGG(ALL.AML, Golub_Train) ## features(res_all[1:5], pdf="KEGGcov.pdf", alias=hu6800SYMBOL) ################################################### ### chunk number 84: KEGG_subjects ################################################### res <- gt(ALL.AML, Golub_Train) subjects(res) ################################################### ### chunk number 85: pdf covariates eval=FALSE ################################################### ## res_all <- gtKEGG(ALL.AML, Golub_Train) ## subjects(res_all[1:25], pdf="KEGGsubj.pdf") ################################################### ### chunk number 86: lungExpression ################################################### library(lungExpression) data(michigan) gt(Surv(TIME..months., death==1), michigan) ################################################### ### chunk number 87: comparative ################################################### res <- gtKEGG(ALL.AML, Golub_Train, id = "04110") comparative(res)