大号的图片

OMPA.

面向对象的微阵列和蛋白质组学分析

注意：此网页现已过时！您应该更改任何书签要指向
http://bioinformatics.mdanderson.org/main/oompa:overview.。

版本2.12新闻

OOMPA版本2.12包括两个新包的实验版本：

  1. ArrayCube:在从生物导体上构建基本类别，以定义概括基因表达综合症中使用的最小格式的结构。对最小格式的主要增强是包含包含样本特性的注释数据帧。该包提供例程将ArrayCube转换为倍增禁止或RGL主人。
  2. MINiML:从基因表达式Omnibus下载，以最小格式读取文件，并将其存储为ArrayCubes。
您可以通过设置安装这些包groupname =“ArrayCube”在oompainstall函数。

版本2.11新闻

OOMPA版本2.11包括GenAlg包，它提供了一个可用于特征选择的遗传算法的R实现。您可以通过设置来安装此包GroupName =“Genalg”在oompainstall函数。

笔记

软件包的初始分发提供源代码和Windows二进制文件。只有当我们有空闲时间，并且有人有正确的机器和工具来构建这些二进制文件时，Macintosh二进制文件才会准备好。

安装

从2.8版开始，我们建立了一个合适的R代码库。在2.9版中，相信这句谚语好程序员编写良好的代码，但伟大的程序员窃取了伟大的代码，我们非常偷走了存储库管理脚本生物体并调整他们为Oompa工作。因此，安装OOMPA软件包的最简单方法现在才能触发本地版本的R并使用命令：

来源（“http://bioinformatics.mdanderson.org/oompa/oompalite.r”）Oompalite（）
这些命令将安装基本OPOMA包。为了获得略大的（默认）包，可以执行命令
Oompainstall（）
如果您希望获得所有内容(可能包括一些仍在开发中的实验性包)，那么使用该命令
Ompainstall（GroupName =“全部”）
以下是允许值的完整列表团队名字：
默认，Lite，Genalg，预测，超级诊断，arraycube，全部
或者，如果您想要更多控制已安装的软件包，请执行以下命令，然后从生成的列表中选择。
install.packages（repos =“http://bioinformatics.mdanderson.org/OOMPA/2.12”）
默认情况下，安装例程假定您已经安装了它们所依赖的ran或biocometiond的任何东西。为了让这些包装自动安装，您需要更多精细的R代码：
SetRepositor（Graphics = False，Ind = C（1,4））MyRepos < -  C（getOption（“repos”），Oompa =“http://bioinformatics.mdanderson.org/OOMPA/2.12”）install.packages（repos= myrepos）

源代码和Windows二进制文件可用。如果有人想要自愿将Macintosh二进制文件放在一起，我们也将发布那些。

旧版本

对于OMPA的版本，在R 2.5.0到R 2.7.0上工作，请转到此存档的网页。对于使用甚至旧版本的R的OMOMA版本，请参阅这个档案。r库的OMOMA套件是前往面向对象的微阵列分析库（Oomal）的继承者，其原本于S-Plus 2000编写。除了基因表达式微阵列数据外，还将常规分析蛋白质组学分析数据的常规分析。名称变更。（它也激发了我们的图标。它表明了主题音乐的一些可能性，但我们很确定我们不想去那里。）

描述

OMOMA是一种用于分析基因表达（RNA）微阵列数据和蛋白质组学分析质谱数据的R文库套件。OOMPA使用S4类以构造具有一致用户界面的面向对象的工具。OMPA中的所有高级分析工具都与之合作表达式类定义在BioConductor。较低级别的处理工具提供了替代部分BioConductor的方法，但也可以用来增强现有的BioConductor包。

当前版本(OOMPA 2.9)中包含的包是

Oompabase（手动的） (小插图）
包含所需的定义，以便正确加载其他包。在加载使用它们的包之前，必须可见一些定义（如类），并且无法在同一包中定义。
预处理(手动的） (小插图）
微阵列数据低层次预处理的基础库。提供工具，用于在诊断和其他绘图中使用一致的配色方案。还定义了处理器和管道所使用的类可以维护它们如何生成的历史。
ClassComparison（手动的） (小插图）
ClassComparison库提供了执行微阵列或蛋白质组学数据的“类比较”分析的工具。类比较问题以两个或更多个已知的样本组开始，并要求分析师在两组之间以某种方式发现不同的基因或蛋白质。本释放中实施的方法包括
  • 两个示例学习任务
  • 固定效应与ANOVA的线性模型
  • β-均匀的混合物（BUM）模型通过控制虚假发现率（FDR）来占多种测试。
  • 基于经验贝叶斯的Wilcoxon秩和检验
  • 微阵列（SAM）的分析分析
  • 分类总数（TNOM）
  • 控制家族错误率的Dudoit p值调整
  • 光滑的学习任务
classdiscovery（手动的） (小插图）
ClassDiscovery Library提供用于执行微阵列或蛋白质组学数据的“类发现”分析的工具。类发现方法执行无监督分析，以尝试“学习”或“发现”组结构中的组结构。本释放中实施的方法包括
  • 非参数自举来测试群集的显著性
  • 参数释放与高斯噪声测试集群的重要性
  • 生物样品的主要成分分析
  • Mike Eisen（即，通过Mike Eisen被引入微阵列世界的红绿双向分层聚类地块）
  • PCANOVA，它提供了一种“方差分析”启发的方法，b使用主成分来测试假定的群体结构是否真的存在于数据中
  • 新!现在我们包含了一些函数来计算双极性指数这是一种根据基因遵循“有用”双峰分布的可能性对基因进行排名的工具。这种方法是由Wang等人在一个手稿中介绍的癌症信息学。
tailerak（手动的） (小插图）
Tail Rank检验是我们在微阵列或蛋白质组学数据集中发现生物标志物的新方法。该方法本质上是非参数的，主要关注被比较的两个类中分布的尾部。该方法允许分析人员执行真实的样本量和功率计算。
SuperCurve (手动的） (小插图）
SuperCurve是我们用来分析逆相蛋白质阵列的软件包。这个包包含了加载原始数据文件的程序微控制器，拟合一个四参数联合logistic模型，以估计蛋白质浓度，以及评估拟合质量的方法。
Supercurvegui（手动的）
SuperCurveGUI为super曲率包提供了一个图形用户界面。
SliddingSignergui（手动的）
SlideDesignerGUI是一个图形工具，允许研究人员描述的位置和不同的正和负的控制188bet体育网址在反向相蛋白阵列。