🤩 GeneSelectR | 用多种机器学习方法筛选重要基因！~

生信漫卷

发布于 2024-04-23 16:31:45

65010

代码可运行

文章被收录于专栏：R语言及实用科研软件

运行总次数：0

代码可运行

1写在前面

最近总是下雨☔️，真的很不爽啊！~🫠

还能不能有个好天气啊！？🥹

天天都是歌荒啊，谁能推荐点好听的歌啊！~🥹

今天讲讲用机器学习的方法筛选重要基因吧，GeneSelectR包。😘

如果你机器学习已经做的很熟练了，其实完全可以脱离这个包。😜

2用到的包

rm(list = ls())
library(tidyverse)
library(GeneSelectR)

3环境设置

GeneSelect是基于使用Python进行特征选择的。所以第一次用的时候需要安装相应的Python模块，需要为包创建工作环境。

首先要设置一个conda工作环境，大家不知道的话可能要补一下相关的知识了。

GeneSelectR::set_reticulate_python()
#GeneSelectR::configure_environment()

4示例数据

这里行是样本，列是基因。🧬

load("UrbanRandomSubset.rda")
DT::datatable(UrbanRandomSubset)

5整理文件格式

这里是基于sklearn进行的机器学习，所以要把y转换为数字形式。😘

X <- UrbanRandomSubset %>% dplyr::select(-treatment)
y <- UrbanRandomSubset['treatment']

y <- as.factor(y$treatment)
y <- as.integer(y)
y <- as.vector(y)

6开始筛选特征基因

这里njobs = -1会把所有的cores都用上，大家按需分配吧，时间还是蛮久的。🥳

默认提供4种方法进行选择，Univariate feature selection, Logistic regression with L1 penalty, boruta和Random Forest。🤓

selection_results <- GeneSelectR::GeneSelectR(X = X, 
                                              y = y,
                                              njobs = -1)
selection_results

7可视化

plot_feature_importance(selection_results, top_n_features = 10)

plot_metrics(selection_results)

8查看Performance

如果你要看看machine learning的performance就可以用这个function了。😏

这里我们没有test集，就只展示CV了哦。🙃

plot_metrics(selection_results)

selection_results$test_metrics 
selection_results$cv_mean_score

9计算共同基因

9.1 开始计算

overlap <- calculate_overlap_coefficients(selection_results)
overlap

9.2 基础可视化

三种方法计算哦！~😯

plot_overlap_heatmaps(overlap)

9.3 与自定义list取交集

比如，这里可以是你的DEGs。😜

按需选择你的list吧。😘

custom_list <- list(custom_list = c('char1','char2','char3','char4','char5'),
                    custom_list2 = c('char1','char2','char3','char4','char5'))

overlap1 <- calculate_overlap_coefficients(selection_results, custom_lists = custom_list)

plot_overlap_heatmaps(overlap1)

组太多，那画个Upset图吧，这里我们还可以显著标记哦。🙊

plot_upset(selection_results, custom_lists = custom_list)

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2024-04-20，如有侵权请联系 cloudcommunity@tencent.com 删除

机器学习

本文分享自生信漫卷微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

登录后参与评论

0 条评论

热度