7.11 数据创建 EMP_mutate

模块EMP_mutate功能十分强大，不仅可以根据数据的assay,rowdata和coldata对数据列进行变构，还可以对数据分析结果进行变构。为了便于用户理解，以下对模块EMP_mutate的基本参数进行介绍：

• obj ： 指定待分析的对象MAE或者EMPT。
• experiment ： 指定待分析组学项目的名称(character)。
• ... ：继承于dplyr包的mutate函数，可以支持各种数据变换。
• .by : 继承于dplyr包的mutate函数，相当于变换前执行了group_by()函数.
• .before : 继承于dplyr包的mutate函数, 设置新创建列的位置。
• .after : 继承于dplyr包的mutate函数, 设置新创建列的位置。
• mutate_by: 设置数据变换是针对sample还是feature。
• location：设置创建列是在assay, rowdata, 或者coldata。
• action: 设置“colwise”与“rowwise”选项，用于指示操作应沿列方向还是行方向执行。
• keep_result: 当输入值为 TRUE 时，系统将保留所有分析结果，样本与特征的任何更改均不影响此设置。当输入值为某个名称时，则仅该名称所对应的分析结果会被予以保留。

7.11.1 对全组学项目的表型数据进行创建变构

🏷️示例1： 根据BMI的数据，设置新的分组。

MAE |>
  EMP_mutate(Degree = dplyr::case_when(
    BMI < 18.5                        ~ "Lean",
    BMI >= 18.5 & BMI < 24            ~ "Normal",
    BMI >= 24 & BMI < 28              ~ "Fat",
    TRUE                              ~ "Need Med"),
    .after = Group)

变换完成后，可以使用模块EMP_coldata_extract观察过滤后样本情况。

MAE |>
  EMP_mutate(Degree = dplyr::case_when(
    BMI < 18.5                        ~ "Lean",
    BMI >= 18.5 & BMI < 24            ~ "Normal",
    BMI >= 24 & BMI < 28              ~ "Fat",
    TRUE                              ~ "Need Med"),
    .after = Group) |>
  EMP_coldata_extract()

7.11.2 对单一组学项目数据及分析结果进行数据变换

🏷️示例1： 在微生物组学数据中，创建Firmicutes/Bacteroidetes的比值特征。

MAE |>
  EMP_assay_extract('taxonomy') |>
  EMP_collapse(collapse_by = 'row',estimate_group = 'Phylum') |>
  EMP_mutate(F_B_ratio = Firmicutes/Bacteroidetes,
             .by = primary,.before = 2,
             mutate_by = 'sample',location ='assay') |>
  EMP_filter(filterFeature = 'F_B_ratio') |>
  EMP_boxplot(estimate_group='Group')

🏷️示例2：根据多种差异分析算法，合并其结果，并为特征增加注释信息。

MAE |>
  EMP_assay_extract('host_gene') |>
  EMP_diff_analysis(method = 'wilcox.test',estimate_group = 'Group') |>
  EMP_mutate(wilcox = pvalue,
             wilcox_fdr = fdr,
             mutate_by = 'feature',location ='rowdata') |>
  EMP_diff_analysis(method = 'DESeq2',.formula = ~Group) |>
  EMP_mutate(DESeq2 = pvalue,
             DESeq2_fdr = fdr,
             mutate_by = 'feature',location ='rowdata')

这样我们就可以筛选出两种差异方法都显著的特征基因了。

MAE |>
  EMP_assay_extract('host_gene') |>
  EMP_diff_analysis(method = 'wilcox.test',estimate_group = 'Group') |>
  EMP_mutate(wilcox = pvalue,
             wilcox_fdr = fdr,
             mutate_by = 'feature',location ='rowdata') |>
  EMP_diff_analysis(method = 'DESeq2',.formula = ~Group) |>
  EMP_mutate(DESeq2 = pvalue,
             DESeq2_fdr = fdr,
             mutate_by = 'feature',location ='rowdata') |>
  EMP_filter(feature_condition = wilcox < 0.05 & DESeq2 < 0.05)

🏷️示例3：根据Firmicutes丰度高低分组，并进行alpha多样性比较

MAE |>
  EMP_assay_extract('taxonomy') |>
  EMP_collapse(collapse_by = 'row',estimate_group = 'Phylum') |>
  EMP_mutate(Degree = dplyr::case_when(
    Firmicutes >= mean(Firmicutes)     ~ "High_F",
    Firmicutes <  mean(Firmicutes)     ~ "Low_F"),
   .after = Group) |>
  EMP_alpha_analysis() |>
  EMP_boxplot(estimate_group='Degree')