亚洲必赢手机入口凯雷德语言通过loess去除有个别变量对数据的影响

by admin on 2019年7月23日

  当大家想商讨分裂sample的某部变量A之间的歧异时,往往会因为其余一些变量B对该变量的本来面目影响,而影响不及sample变量A的可比,那一年须要对sample变量A举行标准化之后工夫拓展相比较。规范化的法子是对sample
的 A变量和B变量实行loess回归,拟合变量A关于变量B的函数
f(b),f(b)则表示在B的影响下A的答辩取值,A-f(B)(A对f(b)残差)就足以去掉B变量对A变量的震慑,此时残差值就能够看作标准的A值在差别sample之间举办比较。

Loess局部加权多项式回归

  LOWESS最初由Cleveland
建议,后又被Cleveland&Devlin及其他比非常多个人发展。在Haval中loess
函数是以lowess函数为根基的更复杂功用更有力的函数。主要思量为:在数据集结的每一点用低维多项式拟合数总部的三个子集,并估算该点周围自变量数分部所对应的因变量值,该多项式是用加权最小二乘法来拟合;离该点越远,权重越小,该点的回归函数值就是这几个片段多项式来收获,而用于加权最小二乘回归的数量子集是由多年来邻方法明确。
  最大优点:不需求事先设定叁个函数来对富有数据拟合四个模子。况兼能够对同样数据进行频仍不等的拟合,先对有些变量进行拟合,再对另一变量进行拟合,以探求数据中或许存在的某种关系,那是平凡的回归拟合不可能完毕的。

LOESS平滑方法

  1.
以x0为基本明确一个区间,区间的幅度能够灵活明白。具体来说,区间的幅度取决于q=fn。个中q是加入一些回归观望值的个数,f是到位一些回归旁观值的个数占观望值个数的百分比,n是观看值的个数。在事实上行使中,往往先选定f值,再依照f和n鲜明q的取值,一般意况下f的取值在三分之一到2/3中间。q与f的取值一般没有规定的轨道。增大q值或f值,会变成平滑值平滑程度增添,对于数据中前在的轻微变化情势则分辨率低,但噪声小,而对数据中山大学的生成情势的表现则比较好;小的q值或f值,曲线粗糙,分辨率高,但噪声大。未有二个规范的f值,相比明智的做法是绵绵的调理相比。
  2.
定义区间内全数一点点的权数,权数由权数函数来分明,比方立方加权函数weight =
(1 –
(dist/maxdist)^3)^3),dist为距离x的离开,maxdist为距离内距离x的最大距离。任一点(x0,y0)的权数是权数函数曲线的中度。权数函数应包含以下多个地点特点:(1)加权函数上的点(x0,y0)具备最大权数。(2)当x离开x0(时,权数渐渐滑坡。(3)加权函数以x0为中央对称。
  3.
对区间内的散点拟合一条曲线y=f(x)。拟合的直线反映直线关系,临近x0的点在直线的拟合中起到根本的遵守,区间外的点它们的权数为零。
  4.
x0的平滑点就是x0在拟合出来的直线上的拟合点(y0,f(
x0))。
  5. 对全数的点求出平滑点,将平滑点连接就获得Loess回归曲线。

Murano语言代码

 loess(formula, data, weights, subset, na.action, model = FALSE,
       span = 0.75, enp.target, degree = 2,
       parametric = FALSE, drop.square = FALSE, normalize = TRUE,
       family = c("gaussian", "symmetric"),
       method = c("loess", "model.frame"),
       control = loess.control(...), ...)

  formula是公式,比如y~x,能够输入1到4个变量;
  data是放着变量的数据框,假如data为空,则在条件中搜索;
  na.action内定对NA数据的拍卖,私下认可是getOption(“na.action”);
  model是还是不是重返模型框;
  span是阿尔法参数,能够操纵平滑度,也正是地方所述的f,对于阿尔法小于1的时候,区间涵盖阿尔法的点,加权函数为立方加权,大于1时,使用全数的点,最大距离为阿尔法^(1/p),p
为表达变量;
  anp.target,定义span的希图格局;
  normalize,对多变量normalize到同一scale;
  family,假如是gaussian则运用最小二乘法,要是是symmetric则动用双权函数实行再收缩的M估量;
  method,是适应模型也许仅仅提取模型框架;
  control进一步越来越尖端的决定,使用loess.control的参数;
  别的参数请自个儿参见manual况且查找资料

loess.control(surface = c("interpolate", "direct"),
          statistics = c("approximate", "exact"),
          trace.hat = c("exact", "approximate"),
          cell = 0.2, iterations = 4, ...)

  平板电脑,拟合表面是从kd数举办插值依然举行标准总括;
  statistics,总结数据是可靠总计照旧近似,准确计算异常的慢
  trace.hat,要盯住的平滑的矩阵正确总括或近乎?建议选用抢先1000个数办事处逼近,
  cell,即便通过kd树最大的点开始展览插值的类似。大于cell
floor(nspancell)的点被划分。
  robust fitting使用的迭代次数。

predict(object, newdata = NULL, se = FALSE,
    na.action = na.pass, ...)

  object,使用loess拟合出来的目的;
  newdata,可选数据框,在里头寻觅变量并进行展望;
  se,是还是不是总计规范误差;
  对NA值的拍卖

实例

  生物数据解析中,大家想查看PC本田UR-V扩大与扩充出来的扩大与扩充子的测序深度以内的距离,但不相同的扩大与扩大子的扩大与扩大功能受到GC含量的震慑,因而我们先是应当破除掉GC含量对扩大与扩大子深度的熏陶。

数据

amplicon
测序数据,管理后获得的各样amplicon的深度,各样amplicon的GC含量,每种amplicon的长度
亚洲必赢手机入口 1
先用loess实行曲线的拟合

gcCount.loess <- loess(log(RC+0.01)~GC,data=RC_DT,control = loess.control(surface = "direct"),degree=2)

画出拟合出来的曲线

predictions1<- predict (gcCount.loess,RC_DT$GC)
#plot scatter and line 
plot(RC_DT$GC,log(RC_DT$RC+0.01),cex=0.1,xlab="GC Content",ylab=expression(paste("log(NRC"["lib"],"+0.01)",sep="")))
lines(RC_DT$GC,predictions1,col = "red")

亚洲必赢手机入口 2

取残差,去除GC含量对纵深的熏陶

#sustract the influence of GC
resi <- log(RC_DT$RC+0.01)-predictions1
RC_DT$RC <- resi
setkey(RC_DT,GC)

此时RC_DT$RC就是normalize之后的RC
画图突显nomalize之后的RC,并将拟合的loess曲线和normalize之后的数码保存

#plot scatter and line using Norm GC data
plot(RC_DT$GC,RC_DT$RC,cex=0.1,xlab="GC Content",ylab=expression("NRC"["GC"]))
gcCount.loess <- loess(RC~GC,data=RC_DT,control = loess.control(surface = "direct"),degree=2)
save(gcCount.loess,file="/home/ywliao/project/Gengyan/gcCount.loess.Robject")
predictions2 <- predict(gcCount.loess,RC_DT$GC)
lines(RC_DT$GC,predictions2,col="red")
save(RC_DT,file="/home/ywliao/project/Gengyan/RC_DT.Rdata")

亚洲必赢手机入口 3

本来,也想看一下amplicon 长度len 对RC的熏陶,但是影响一点都不大
亚洲必赢手机入口 4

全套代码如下(经过修改,恐怕与地点完全协作):

library(data.table)

load("/home/ywliao/project/Gengyan/RC_DT.Rdata")
RRC_DT <- RC_DT[Type=="WBC" & !is.na(RC),]

lst <- list()
for (Samp in unique(RC_DT$Sample)){
RC_DT <- RRC_DT[Sample==Samp]
####loess GC vs RC####
gcCount.loess <- loess(log(RC+0.01)~GC,data=RC_DT,control = loess.control(surface = "direct"),degree=2)
predictions1<- predict (gcCount.loess,RC_DT$GC)
#plot scatter and line 
#plot(RC_DT$GC,log(RC_DT$RC+0.01),cex=0.1,xlab="GC Content",ylab=expression(paste("log(NRC"["lib"],"+0.01)",sep="")))
#lines(RC_DT$GC,predictions1,col = "red")
#sustract the influence of GC
resi <- log(RC_DT$RC+0.01)-predictions1
RC_DT$NRC <- resi
setkey(RC_DT,GC)
#plot scatter and line using Norm GC data
#plot(RC_DT$GC,RC_DT$NRC,cex=0.1,xlab="GC Content",ylab=expression("NRC"["GC"]))
gcCount.loess <- loess(NRC~GC,data=RC_DT,control = loess.control(surface = "direct"),degree=2)
predictions2 <- predict(gcCount.loess,RC_DT$GC)
#lines(RC_DT$GC,predictions2,col="red")
lst[[Samp]] <- RC_DT
}
NRC_DT <- rbindlist(lst)
save(RC_DT,file="/home/ywliao/project/Gengyan/NRC_DT.Rdata")

####loess len vs RC###
setkey(RC_DT,Len)
len.loess <- loess(RC_DT$NRC~RC_DT$Len, control = loess.control(surface = "direct"),degree=2)
predictions2<- predict (len.loess,RC_DT$Len)
#plot scatter and line 
plot(RC_DT$Len,RC_DT$NRC,cex=0.1,xlab="Length",ylab=expression(paste("log(RC"["GC"],"+0.01)",sep="")))
lines(RC_DT$Len,predictions2,col = "red")

相关文章

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图