powsimR
Version 1.2.4
powsimR
Veuillez également consulter ma page GitHub de Powsimr faite avec PKGDOWN!
Pour l'installation, le package R devtools est nécessaire.
install.packages( " devtools " )
library( devtools )Je recommande d'installer d'abord les dépendances manuellement, puis de Powsimr. Si vous prévoyez d'utiliser la magie pour l'imputation, veuillez suivre leurs instructions pour installer l'implémentation Python avant d'installer Powsimr.
ipak <- function ( pkg , repository = c( " CRAN " , " Bioconductor " , " github " )) {
new.pkg <- pkg [ ! ( pkg %in% installed.packages()[, " Package " ])]
# new.pkg <- pkg
if (length( new.pkg )) {
if ( repository == " CRAN " ) {
install.packages( new.pkg , dependencies = TRUE )
}
if ( repository == " Bioconductor " ) {
if (strsplit( version [[ " version.string " ]], " " )[[ 1 ]][ 3 ] > " 4.0.0 " ) {
if ( ! requireNamespace( " BiocManager " )) {
install.packages( " BiocManager " )
}
BiocManager :: install( new.pkg , dependencies = TRUE , ask = FALSE )
}
if (strsplit( version [[ " version.string " ]], " " )[[ 1 ]][ 3 ] < " 3.6.0 " ) {
stop(message( " powsimR depends on packages and functions that are only available in R 4.0.0 and higher. " ))
}
}
if ( repository == " github " ) {
devtools :: install_github( new.pkg , build_vignettes = FALSE , force = FALSE ,
dependencies = TRUE )
}
}
}
# CRAN PACKAGES
cranpackages <- c( " broom " , " cobs " , " cowplot " , " data.table " , " doParallel " , " dplyr " ,
" DrImpute " , " fastICA " , " fitdistrplus " , " foreach " , " future " , " gamlss.dist " , " ggplot2 " ,
" ggpubr " , " ggstance " , " grDevices " , " grid " , " Hmisc " , " kernlab " , " MASS " , " magrittr " ,
" MBESS " , " Matrix " , " matrixStats " , " mclust " , " methods " , " minpack.lm " , " moments " ,
" msir " , " NBPSeq " , " nonnest2 " , " parallel " , " penalized " , " plyr " , " pscl " , " reshape2 " ,
" Rmagic " , " rsvd " , " Rtsne " , " scales " , " Seurat " , " snow " , " sctransform " , " stats " ,
" tibble " , " tidyr " , " truncnorm " , " VGAM " , " ZIM " , " zoo " )
ipak( cranpackages , repository = " CRAN " )
# BIOCONDUCTOR
biocpackages <- c( " bayNorm " , " baySeq " , " BiocGenerics " , " BiocParallel " , " DESeq2 " ,
" EBSeq " , " edgeR " , " IHW " , " iCOBRA " , " limma " , " Linnorm " , " MAST " , " monocle " , " NOISeq " ,
" qvalue " , " ROTS " , " RUVSeq " , " S4Vectors " , " scater " , " scDD " , " scde " , " scone " , " scran " ,
" SCnorm " , " SingleCellExperiment " , " SummarizedExperiment " , " zinbwave " )
ipak( biocpackages , repository = " Bioconductor " )
# GITHUB
githubpackages <- c( " cz-ye/DECENT " , " nghiavtr/BPSC " , " mohuangx/SAVER " , " statOmics/zingeR " ,
" Vivianstats/scImpute " )
ipak( githubpackages , repository = " github " )Pour vérifier si toutes les dépendances sont installées, vous pouvez exécuter les lignes suivantes:
powsimRdeps <- data.frame ( Package = c( cranpackages ,
biocpackages ,
sapply(strsplit( githubpackages , " / " ), " [[ " , 2 )),
stringsAsFactors = F )
ip <- as.data.frame(installed.packages()[,c( 1 , 3 : 4 )], stringsAsFactors = F )
ip.check <- cbind( powsimRdeps ,
Version = ip [match( powsimRdeps $ Package , rownames( ip )), " Version " ])
table(is.na( ip.check $ Version )) # all should be FALSEAprès avoir installé les dépendances, Powsimr peut également être installé en utilisant Devtools.
devtools :: install_github( " bvieth/powsimR " , build_vignettes = TRUE , dependencies = FALSE )
library( " powsimR " )Alternative, vous pouvez essayer d'installer Powsimr et ses dépendances directement à l'aide de devtools:
devtools :: install_github( " bvieth/powsimR " )Pour des exemples et des conseils sur l'utilisation du package, veuillez consulter la vignette après une installation réussie par
browseVignettes( " powsimR " )Certains utilisateurs ont rencontré des problèmes d'installation de Powsimr en raison d'erreurs de compilation de vignette ou parce qu'ils manquent les packages R nécessaires pour construire la vignette, c'est-à-dire Knitr et RMDFormats. Si tel est le cas, vous pouvez soit installer ces dépendances, soit laisser de côté la construction de la vignette (en définissant Build_vignettes sur FALSE) et la lire sur ma page GitHub de Powsimr ou le télécharger en tant que fichier HTML ici.
Notez que l'erreur «le nombre maximal de DLL atteint…» peut se produire en raison du chargement de nombreux objets partagés par des packages de bioconductrice. Le redémarrage de la session R après l'installation des dépendances / Powsimr aidera. En commençant par R version 3.4.0, on peut définir la variable environnementale 'R_MAX_NUM_DLLS' sur un nombre plus élevé. Voir ?Startup() pour plus d'informations. Je recommande d'augmenter le nombre maximum de DLL qui peuvent être chargés à 500. La variable environnementale R_MAX_NUM_DLLS peut être définie dans R_HOME / ETC / Renviron avant de démarrer R. pour ce pour localiser le fichier Renviron et ajouter la ligne suivante: R_MAX_NUM_DLLS = xy où XY est le nombre de DLL. Sur ma machine Ubuntu, le fichier Renviron est dans / usr / lib / r / etc / et je peux le régler sur 500.
De plus, les limites de l'utilisateur pour les fichiers ouverts (UNIX: Ulimit) pourraient devoir être définie sur un nombre plus élevé pour accueillir l'augmentation des DLL. Veuillez consulter les pages d'aide pour Mac et Linux pour obtenir des conseils.
Veuillez utiliser l'entrée suivante pour citer Powsimr.
citation( " powsimR " )Powsimr est publié dans Bioinformatics. Un papier préimprimé est également sur le biorxiv.
Veuillez envoyer des rapports de bogues et des demandes de fonctionnalités en ouvrant un nouveau problème sur cette page. J'essaie de rester au courant des nouveaux développements / modifications des méthodes implémentées dans Powsimr, mais si vous rencontrez des erreurs d'exécution tout en utilisant un certain outil (par exemple pour l'imputation), j'apprécie si vous pouvez publier ce problème.
R Informations sur la session library( powsimR )
# > Loading required package: gamlss.dist
# > Loading required package: MASS
# > Registered S3 method overwritten by 'gdata':
# > method from
# > reorder.factor gplots
# > Warning: replacing previous import 'DECENT::lrTest' by 'MAST::lrTest' when
# > loading 'powsimR'
# > Warning: replacing previous import 'penalized::predict' by 'stats::predict' when
# > loading 'powsimR'
# > Warning: replacing previous import 'zinbwave::glmWeightedF' by
# > 'zingeR::glmWeightedF' when loading 'powsimR'
sessionInfo()
# > R version 4.1.2 (2021-11-01)
# > Platform: x86_64-pc-linux-gnu (64-bit)
# > Running under: Ubuntu 18.04.6 LTS
# >
# > Matrix products: default
# > BLAS: /usr/lib/x86_64-linux-gnu/openblas/libblas.so.3
# > LAPACK: /usr/lib/x86_64-linux-gnu/libopenblasp-r0.2.20.so
# >
# > locale:
# > [1] LC_CTYPE=en_US.UTF-8 LC_NUMERIC=C
# > [3] LC_TIME=de_DE.UTF-8 LC_COLLATE=en_US.UTF-8
# > [5] LC_MONETARY=de_DE.UTF-8 LC_MESSAGES=en_US.UTF-8
# > [7] LC_PAPER=de_DE.UTF-8 LC_NAME=C
# > [9] LC_ADDRESS=C LC_TELEPHONE=C
# > [11] LC_MEASUREMENT=de_DE.UTF-8 LC_IDENTIFICATION=C
# >
# > attached base packages:
# > [1] stats graphics grDevices utils datasets methods base
# >
# > other attached packages:
# > [1] powsimR_1.2.3 gamlss.dist_6.0-1 MASS_7.3-54
# >
# > loaded via a namespace (and not attached):
# > [1] mixtools_1.2.0 softImpute_1.4-1
# > [3] minpack.lm_1.2-1 lattice_0.20-45
# > [5] vctrs_0.3.8 fastICA_1.2-3
# > [7] mgcv_1.8-38 penalized_0.9-51
# > [9] blob_1.2.2 survival_3.2-13
# > [11] prodlim_2019.11.13 Rmagic_2.0.3
# > [13] later_1.3.0 nloptr_1.2.2.3
# > [15] DBI_1.1.1 R.utils_2.11.0
# > [17] rappdirs_0.3.3 SingleCellExperiment_1.16.0
# > [19] Linnorm_2.18.0 dqrng_0.3.0
# > [21] jpeg_0.1-9 zlibbioc_1.40.0
# > [23] MatrixModels_0.5-0 htmlwidgets_1.5.4
# > [25] mvtnorm_1.1-3 future_1.23.0
# > [27] UpSetR_1.4.0 parallel_4.1.2
# > [29] scater_1.22.0 irlba_2.3.3
# > [31] DEoptimR_1.0-9 Rcpp_1.0.7
# > [33] KernSmooth_2.23-20 DT_0.20
# > [35] promises_1.2.0.1 gdata_2.18.0
# > [37] DDRTree_0.1.5 DelayedArray_0.20.0
# > [39] limma_3.50.0 vegan_2.5-7
# > [41] Hmisc_4.6-0 ShortRead_1.52.0
# > [43] apcluster_1.4.8 RSpectra_0.16-0
# > [45] msir_1.3.3 mnormt_2.0.2
# > [47] digest_0.6.28 png_0.1-7
# > [49] bluster_1.4.0 qlcMatrix_0.9.7
# > [51] sctransform_0.3.2 cowplot_1.1.1
# > [53] pkgconfig_2.0.3 docopt_0.7.1
# > [55] DelayedMatrixStats_1.16.0 gower_0.2.2
# > [57] ggbeeswarm_0.6.0 iterators_1.0.13
# > [59] minqa_1.2.4 lavaan_0.6-9
# > [61] reticulate_1.22 SummarizedExperiment_1.24.0
# > [63] spam_2.7-0 beeswarm_0.4.0
# > [65] modeltools_0.2-23 xfun_0.28
# > [67] zoo_1.8-9 tidyselect_1.1.1
# > [69] ZIM_1.1.0 reshape2_1.4.4
# > [71] purrr_0.3.4 kernlab_0.9-29
# > [73] EDASeq_2.28.0 viridisLite_0.4.0
# > [75] snow_0.4-4 rtracklayer_1.54.0
# > [77] rlang_0.4.12 hexbin_1.28.2
# > [79] glue_1.5.0 RColorBrewer_1.1-2
# > [81] fpc_2.2-9 matrixStats_0.61.0
# > [83] MatrixGenerics_1.6.0 stringr_1.4.0
# > [85] lava_1.6.10 fields_13.3
# > [87] ggsignif_0.6.3 DESeq2_1.34.0
# > [89] recipes_0.1.17 SparseM_1.81
# > [91] httpuv_1.6.3 class_7.3-19
# > [93] BPSC_0.99.2 BiocNeighbors_1.12.0
# > [95] annotate_1.72.0 jsonlite_1.7.2
# > [97] XVector_0.34.0 tmvnsim_1.0-2
# > [99] bit_4.0.4 mime_0.12
# > [101] gridExtra_2.3 gplots_3.1.1
# > [103] Rsamtools_2.10.0 zingeR_0.1.0
# > [105] stringi_1.7.5 gmodels_2.18.1
# > [107] rhdf5filters_1.6.0 bitops_1.0-7
# > [109] maps_3.4.0 RSQLite_2.2.8
# > [111] tidyr_1.1.4 pheatmap_1.0.12
# > [113] data.table_1.14.2 rstudioapi_0.13
# > [115] GenomicAlignments_1.30.0 nlme_3.1-153
# > [117] qvalue_2.26.0 scran_1.22.1
# > [119] fastcluster_1.2.3 locfit_1.5-9.4
# > [121] scone_1.18.0 listenv_0.8.0
# > [123] cobs_1.3-4 R.oo_1.24.0
# > [125] prabclus_2.3-2 segmented_1.3-4
# > [127] dbplyr_2.1.1 BiocGenerics_0.40.0
# > [129] lifecycle_1.0.1 timeDate_3043.102
# > [131] ROTS_1.22.0 munsell_0.5.0
# > [133] hwriter_1.3.2 R.methodsS3_1.8.1
# > [135] moments_0.14 caTools_1.18.2
# > [137] codetools_0.2-18 coda_0.19-4
# > [139] Biobase_2.54.0 GenomeInfoDb_1.30.0
# > [141] vipor_0.4.5 htmlTable_2.3.0
# > [143] bayNorm_1.12.0 rARPACK_0.11-0
# > [145] xtable_1.8-4 SAVER_1.1.2
# > [147] ROCR_1.0-11 diptest_0.76-0
# > [149] formatR_1.11 lpsymphony_1.22.0
# > [151] abind_1.4-5 FNN_1.1.3
# > [153] parallelly_1.29.0 RANN_2.6.1
# > [155] sparsesvd_0.2 CompQuadForm_1.4.3
# > [157] BiocIO_1.4.0 GenomicRanges_1.46.1
# > [159] tibble_3.1.6 ggdendro_0.1.22
# > [161] cluster_2.1.2 future.apply_1.8.1
# > [163] Matrix_1.3-4 ellipsis_0.3.2
# > [165] prettyunits_1.1.1 shinyBS_0.61
# > [167] lubridate_1.8.0 NOISeq_2.38.0
# > [169] shinydashboard_0.7.2 mclust_5.4.8
# > [171] igraph_1.2.9 ggstance_0.3.5
# > [173] slam_0.1-49 testthat_3.1.0
# > [175] doSNOW_1.0.19 htmltools_0.5.2
# > [177] BiocFileCache_2.2.0 GenomicFeatures_1.46.1
# > [179] yaml_2.2.1 utf8_1.2.2
# > [181] XML_3.99-0.8 ModelMetrics_1.2.2.2
# > [183] ggpubr_0.4.0 DrImpute_1.0
# > [185] foreign_0.8-81 withr_2.4.2
# > [187] scuttle_1.4.0 fitdistrplus_1.1-6
# > [189] BiocParallel_1.28.2 aroma.light_3.24.0
# > [191] bit64_4.0.5 foreach_1.5.1
# > [193] robustbase_0.93-9 outliers_0.14
# > [195] Biostrings_2.62.0 combinat_0.0-8
# > [197] rsvd_1.0.5 ScaledMatrix_1.2.0
# > [199] iCOBRA_1.22.1 memoise_2.0.1
# > [201] evaluate_0.14 VGAM_1.1-5
# > [203] nonnest2_0.5-5 geneplotter_1.72.0
# > [205] permute_0.9-5 caret_6.0-90
# > [207] curl_4.3.2 fdrtool_1.2.17
# > [209] fansi_0.5.0 conquer_1.2.1
# > [211] edgeR_3.36.0 checkmate_2.0.0
# > [213] cachem_1.0.6 truncnorm_1.0-8
# > [215] tensorA_0.36.2 DECENT_1.1.0
# > [217] ellipse_0.4.2 rjson_0.2.20
# > [219] metapod_1.2.0 ggplot2_3.3.5
# > [221] rstatix_0.7.0 ggrepel_0.9.1
# > [223] scDD_1.18.0 tools_4.1.2
# > [225] sandwich_3.0-1 magrittr_2.0.1
# > [227] RCurl_1.98-1.5 car_3.0-12
# > [229] pbivnorm_0.6.0 bayesm_3.1-4
# > [231] xml2_1.3.2 EBSeq_1.34.0
# > [233] httr_1.4.2 assertthat_0.2.1
# > [235] rmarkdown_2.11 Rhdf5lib_1.16.0
# > [237] boot_1.3-28 globals_0.14.0
# > [239] R6_2.5.1 nnet_7.3-16
# > [241] progress_1.2.2 genefilter_1.76.0
# > [243] KEGGREST_1.34.0 gtools_3.9.2
# > [245] statmod_1.4.36 beachmat_2.10.0
# > [247] BiocSingular_1.10.0 rhdf5_2.38.0
# > [249] splines_4.1.2 carData_3.0-4
# > [251] colorspace_2.0-2 amap_0.8-18
# > [253] generics_0.1.1 stats4_4.1.2
# > [255] NBPSeq_0.3.0 compositions_2.0-2
# > [257] base64enc_0.1-3 baySeq_2.28.0
# > [259] pillar_1.6.4 HSMMSingleCell_1.14.0
# > [261] GenomeInfoDbData_1.2.7 plyr_1.8.6
# > [263] dotCall64_1.0-1 gtable_0.3.0
# > [265] SCnorm_1.16.0 monocle_2.22.0
# > [267] restfulr_0.0.13 knitr_1.36
# > [269] RcppArmadillo_0.10.7.3.0 latticeExtra_0.6-29
# > [271] biomaRt_2.50.1 IRanges_2.28.0
# > [273] fastmap_1.1.0 doParallel_1.0.16
# > [275] pscl_1.5.5 flexmix_2.3-17
# > [277] quantreg_5.86 AnnotationDbi_1.56.2
# > [279] broom_0.7.10 filelock_1.0.2
# > [281] scales_1.1.1 arm_1.12-2
# > [283] backports_1.4.0 plotrix_3.8-2
# > [285] IHW_1.22.0 S4Vectors_0.32.3
# > [287] densityClust_0.3 ipred_0.9-12
# > [289] lme4_1.1-27.1 hms_1.1.1
# > [291] Rtsne_0.15 dplyr_1.0.7
# > [293] shiny_1.7.1 grid_4.1.2
# > [295] Formula_1.2-4 blockmodeling_1.0.5
# > [297] crayon_1.4.2 MAST_1.20.0
# > [299] RUVSeq_1.28.0 pROC_1.18.0
# > [301] sparseMatrixStats_1.6.0 viridis_0.6.2
# > [303] rpart_4.1-15 zinbwave_1.16.0
# > [305] compiler_4.1.2
