Commit 83bb4a5d authored by Mert Erden's avatar Mert Erden
Browse files

Migration to gitlab

parents
./data/80x1330/complete_imputed_sparse/agnostic_FullyImputedMatrix.rds
./data/80x1330/hybrid
This contains all necessary data files, evaluation and graphing scripts for the submission of Cell-specific
Imputation of Drug Connectivity Mapping with Incomplete Data. Details about each folder can be found below
Data:
Contains complete data matrix (12 cells by 450 drugs) and sparse data matrix (80 cells by 1330 drugs).
Mkdataset.R produces the matrices, mkfold.R and mkfold_sparse.R generate the cross-validation sets.
Fold assignments used included for each independent instance. Install rhdf5 and cmapR libraries to run.
Within the 80x1330 folder there are the completely imputed sparse matrices described in sections 2.5.2,
3.4 and the hybrid version of the sparse matrix described in section 3.5, as well as scripts within each
subfolder for building the data sets.
Evaluation:
Imputation contains scripts for baseline and collaborative filtering prediction and negative and
positive weighted connectivity correlation (sections 2.3, 2.4.2, 3.1). Install rrecsys package to run.
Downsample contains scripts for randomly removing compounds from folds, re-imputing and re-evaluating
signatures to predict with less data (section 3.2).
Pcl_eval contains scripts for querying a drug against the true or completely imputed sparse matrix,
adapting gene set enrichment analysis as drug set enrichment analysis, analyzing the number of drugs
significantly enriched in their PCL, and input files such as PCL membership for determining drug intersection
between data sets and PCLs (sections 2.5, 3.3, and 3.4).
Analysis:
Contains scripts used for graphing and example of input files. The corresponding figure numbers are
part of the folder name. Packages required: ggplot2, corrplot, ggpubr.
#Violin plots showing distribution of NES (normalized enrichment scores) of drugs for a given drug set across all methods
gsea_12x450 = readRDS("12x450/pcl_eval.rds")
gsea_12x450$Method <- gsub("collab_filter", "Neighborhood Collab Filtering", gsea_12x450$Method)
gsea_12x450$Method <- gsub("svd", "SVD", gsea_12x450$Method)
gsea_12x450$Method <- gsub("tissue_agnostic", "Tissue Agnostic", gsea_12x450$Method)
gsea_12x450$Method <- gsub("two_way", "Two Way", gsea_12x450$Method)
gsea_12x450$Method <- factor(gsea_12x450$Method, levels = c("Neighborhood Collab Filtering", "SVD", "Two Way", "Tissue Agnostic"))
gsea_12x450 <- gsea_12x450[order(gsea_12x450$Method), ]
mean_12x450 = aggregate(gsea_12x450[,6:9], by=list(gsea_12x450[,1], gsea_12x450[,2], gsea_12x450[,3], gsea_12x450[,4]), FUN="mean", na.action = na.omit)
names(mean_12x450) = names(gsea_12x450[-5])
gsea_80x1330 = readRDS("80x1330/pcl_eval.rds")
gsea_80x1330$Method <- gsub("collab_filter_120", "Neighborhood Collab Filtering", gsea_80x1330$Method)
gsea_80x1330$Method <- gsub("svd_55", "SVD", gsea_80x1330$Method)
gsea_80x1330$Method <- gsub("tissue_agnostic", "Tissue Agnostic", gsea_80x1330$Method)
gsea_80x1330$Method <- gsub("two_way", "Two Way", gsea_80x1330$Method)
gsea_80x1330$Method <- factor(gsea_80x1330$Method, levels = c("Neighborhood Collab Filtering", "SVD", "Two Way", "Tissue Agnostic"))
gsea_80x1330 <- gsea_80x1330[order(gsea_80x1330$Method), ]
mean_80x1330 = aggregate(gsea_80x1330[,6:9], by=list(gsea_80x1330[,1], gsea_80x1330[,2], gsea_80x1330[,3], gsea_80x1330[,4]), FUN="mean", na.action = na.omit)
names(mean_80x1330) = names(gsea_80x1330[-5])
library(ggplot2)
tiff("violin_complete.tiff", units="in", width=8, height=5, res=300)
dd = ggplot(mean_12x450, aes(x= Method, y = nes, fill = Method)) + geom_violin(trim=FALSE) + geom_boxplot(width=0.1) + ylab("NES")
dd + ylim(-5, 5) + scale_fill_manual(name = "color", values=c("mediumseagreen", "deepskyblue2", "chartreuse3", "darkgoldenrod3"))+ theme_light() + ggtitle("Distribution of NES Scores in Complete Matrix") + theme_bw() + theme(plot.title = element_text(hjust = 0.5))
dev.off()
tiff("violin_sparse.tiff", units="in", width=8, height=5, res=300)
dd2 = ggplot(mean_80x1330, aes(x= Method, y = nes, fill = Method)) + geom_violin(trim=FALSE) + geom_boxplot(width=0.1) + ylab("NES")
dd2 + ylim(-5, 5) + scale_fill_manual(name = "color", values=c("mediumseagreen", "deepskyblue2", "chartreuse3", "darkgoldenrod3"))+ theme_light() + ggtitle("Distribution of NES Scores in Sparse Matrix") + theme_bw() + theme(plot.title = element_text(hjust = 0.5))
dev.off()
#Violin plots showing distribution of NES (normalized enrichment scores) of drugs for a given drug set across all methods
library(dplyr)
gsea_12x450 = readRDS("12x450/pcl_eval.rds")
gsea_12x450$Method <- gsub("collab_filter", "Neighborhood Collab Filtering", gsea_12x450$Method)
gsea_12x450$Method <- gsub("svd", "SVD", gsea_12x450$Method)
gsea_12x450$Method <- gsub("tissue_agnostic", "Tissue Agnostic", gsea_12x450$Method)
gsea_12x450$Method <- gsub("two_way", "Two Way", gsea_12x450$Method)
gsea_12x450$Method <- factor(gsea_12x450$Method, levels = c("Neighborhood Collab Filtering", "SVD", "Two Way", "Tissue Agnostic"))
gsea_12x450 <- gsea_12x450[order(gsea_12x450$Method), ]
mean_12x450 = aggregate(gsea_12x450[,6:9], by=list(gsea_12x450[,1], gsea_12x450[,2], gsea_12x450[,3], gsea_12x450[,4]), FUN="mean", na.action = na.omit)
names(mean_12x450) = names(gsea_12x450[-5])
gsea_80x1330 = readRDS("80x1330/pcl_eval.rds")
gsea_80x1330$Method <- gsub("collab_filter_120", "Neighborhood Collab Filtering", gsea_80x1330$Method)
gsea_80x1330$Method <- gsub("svd_55", "SVD", gsea_80x1330$Method)
gsea_80x1330$Method <- gsub("tissue_agnostic", "Tissue Agnostic", gsea_80x1330$Method)
gsea_80x1330$Method <- gsub("two_way", "Two Way", gsea_80x1330$Method)
gsea_80x1330$Method <- factor(gsea_80x1330$Method, levels = c("Neighborhood Collab Filtering", "SVD", "Two Way", "Tissue Agnostic"))
gsea_80x1330 <- gsea_80x1330[order(gsea_80x1330$Method), ]
mean_80x1330 = aggregate(gsea_80x1330[,6:9], by=list(gsea_80x1330[,1], gsea_80x1330[,2], gsea_80x1330[,3], gsea_80x1330[,4]), FUN="mean", na.action = na.omit)
names(mean_80x1330) = names(gsea_80x1330[-5])
library(ggplot2)
tiff("violin_complete.tiff", units="in", width=8, height=5, res=300)
dd = ggplot(mean_12x450, aes(x= Method, y = nes, fill = Method)) + geom_violin(trim=FALSE) + geom_boxplot(width=0.1) + ylab("NES")
dd + ylim(-5, 5) + scale_fill_manual(name = "color", values=c("mediumseagreen", "deepskyblue2", "chartreuse3", "darkgoldenrod3"))+ theme_light() + ggtitle("Distribution of NES Scores in Complete Matrix") + theme_bw() + theme(plot.title = element_text(hjust = 0.5))
dev.off()
tiff("violin_sparse.tiff", units="in", width=8, height=5, res=300)
dd2 = ggplot(mean_80x1330, aes(x= Method, y = nes, fill = Method)) + geom_violin(trim=FALSE) + geom_boxplot(width=0.1) + ylab("NES")
dd2 + ylim(-5, 5) + scale_fill_manual(name = "color", values=c("mediumseagreen", "deepskyblue2", "chartreuse3", "darkgoldenrod3"))+ theme_light() + ggtitle("Distribution of NES Scores in Sparse Matrix") + theme_bw() + theme(plot.title = element_text(hjust = 0.5))
dev.off()
This diff is collapsed.
Cell ATPase inhibitor_12 Androgen receptor modulator_7 Aurora kinase inhibitor_5 Bacterial DNA gyrase inhibitor_3 Bacterial cell wall synthesis inhibitor_4 Beta-adrenergic receptor agonist_8 Bile acid_4 Cannabinoid receptor agonist_3 CDK inhibitor_6 Cyclooxygenase inhibitor_5 DNA synthesis inhibitor_3 Dihydrofolate reductase inhibitor_3 Dopamine receptor antagonist_19 EGFR inhibitor_6 Estrogen receptor agonist_14 Estrogen receptor antagonist_5 FGFR inhibitor_3 FLT3 inhibitor_5 Glucocorticoid receptor agonist_33 Glycogen synthase kinase inhibitor_4 HDAC inhibitor_12 HMGCR inhibitor_7 HSP inhibitor_3 IMPDH inhibitor_3 KCNJ11_3 MTOR inhibitor_5 NFkB pathway inhibitor_5 Norepinephrine reputake inhibitor_4 PARP inhibitor_4 PDGFR/KIT inhibitor_9 PKC inhibitor_3 PPAR receptor agonist_8 Progesterone receptor agonist_8 Progesterone receptor antagonist_4 Protein synthesis inhibitor_8 RAF inhibitor_3 Retinoid receptor agonist_6 Reverse transcriptase inhibitor_4 Ribonucleotide reductase inhibitor_6 SRC inhibitor_3 Serotonin receptor antagonist_8 Sodium channel blocker_4 Sterol demethylase inhibitor_3 T-type calcium channel blocker_3 Topoisomerase inhibitor_15 Tricyclic antidepressant_6 Tubulin inhibitor_14 VEGFR inhibitor_8 Vitamin D receptor agonist_4 Angiotensin receptor antagonist_3 Aromatase inhibitor_3 HIV protease inhibitor_3
MCF7_100.0 91.66666667 20 25 83.33333333 20 78.94736842 100 50 100 100 100 100 100 100 100 100 60 25 25 55.55555556 12.5 12.5 87.5 66.66666667 50 83.33333333 66.66666667 87.5 33.33333333 100 100 100 62.5 25
HT29_100.0 75 25 50 83.33333333 20 33.33333333 89.47368421 100 64.28571429 100 20 100 100 100 100 100 66.66666667 100 40 25 55.55555556 12.5 25 25 75 33.33333333 50 83.33333333 33.33333333 100 25 100 100 100 62.5
A375_100.0 83.33333333 40 75 12.5 25 83.33333333 89.47368421 100 57.14285714 100 100 100 100 100 100 100 100 40 75 33.33333333 25 87.5 66.66666667 66.66666667 83.33333333 66.66666667 87.5 100 100 100 50 25
PC3_99.9 75 20 25 25 83.33333333 33.33333333 33.33333333 78.94736842 100 57.14285714 100 20 100 50 100 85.71428571 100 100 66.66666667 100 60 25 25 55.55555556 12.5 12.5 87.5 33.33333333 83.33333333 66.66666667 33.33333333 100 93.33333333 100 100 62.5 25
A549_99.3 75 14.28571429 20 50 25 83.33333333 33.33333333 33.33333333 78.94736842 100 35.71428571 100 20 100 75 100 100 100 100 100 60 25 25 55.55555556 25 25 25 87.5 33.33333333 83.33333333 83.33333333 33.33333333 87.5 100 100 100 62.5 25
HCC515_98.7 83.33333333 40 25 25 83.33333333 33.33333333 33.33333333 78.94736842 83.33333333 64.28571429 100 100 75 100 100 100 100 100 40 25 22.22222222 37.5 12.5 87.5 33.33333333 66.66666667 83.33333333 33.33333333 100 100 100 100 50
VCAP_96.3 91.66666667 20 75 66.66666667 20 33.33333333 66.66666667 84.21052632 100 57.14285714 100 33.33333333 100 75 100 100 100 100 100 60 25 75 66.66666667 25 12.5 100 33.33333333 66.66666667 25 66.66666667 33.33333333 87.5 100 100 100 62.5 25
HEPG2_90.4 75 20 25 50 83.33333333 20 33.33333333 78.94736842 100 57.14285714 100 40 100 75 100 100 100 100 100 80 25 33.33333333 25 87.5 83.33333333 66.66666667 33.33333333 87.5 25 100 100 100 62.5
HELA_47.9 83.33333333 40 50 25 66.66666667 100 89.47368421 100 57.14285714 100 100 75 100 85.71428571 100 66.66666667 100 60 25 55.55555556 25 25 87.5 66.66666667 66.66666667 66.66666667 33.33333333 87.5 100 100 100 62.5
YAPC_47.9 83.33333333 20 50 12.5 66.66666667 33.33333333 33.33333333 84.21052632 100 57.14285714 100 100 75 100 85.71428571 100 100 100 40 25 55.55555556 25 37.5 87.5 66.66666667 66.66666667 33.33333333 87.5 100 100 100 50
U937_12.5 83.33333333 40 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 20 25 44.44444444 12.5 87.5 66.66666667 66.66666667 66.66666667 33.33333333 100 100 100 100 62.5
LOVO_12.4 83.33333333 25 25 83.33333333 66.66666667 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 40 25 44.44444444 12.5 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
SNUC4_12.4 83.33333333 40 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 40 25 25 44.44444444 12.5 87.5 33.33333333 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
SKMEL1_12.4 91.66666667 20 25 25 83.33333333 66.66666667 84.21052632 100 50 100 100 75 100 100 100 100 66.66666667 100 40 25 25 44.44444444 12.5 12.5 87.5 66.66666667 66.66666667 83.33333333 33.33333333 100 100 100 100 62.5
RMUGS_12.4 83.33333333 40 50 25 83.33333333 66.66666667 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 33.33333333 25 87.5 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
HCC15_12.4 83.33333333 40 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 40 25 25 55.55555556 25 87.5 66.66666667 83.33333333 83.33333333 33.33333333 87.5 100 100 100 62.5
HEC108_12.4 91.66666667 20 25 25 83.33333333 33.33333333 84.21052632 100 57.14285714 100 100 75 100 100 100 100 33.33333333 100 40 25 44.44444444 25 87.5 66.66666667 66.66666667 66.66666667 33.33333333 75 100 100 100 62.5
CORL23_12.4 83.33333333 20 25 25 83.33333333 66.66666667 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 80 25 44.44444444 25 87.5 83.33333333 83.33333333 33.33333333 87.5 100 100 100 62.5
A673_12.4 91.66666667 40 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 25 44.44444444 12.5 87.5 66.66666667 66.66666667 66.66666667 33.33333333 87.5 100 100 100 62.5
NCIH596_12.3 91.66666667 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 25 44.44444444 25 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
TYKNU_12.3 83.33333333 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 25 44.44444444 12.5 87.5 33.33333333 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
SW948_12.3 91.66666667 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 44.44444444 12.5 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
SW620_12.3 91.66666667 20 50 25 83.33333333 33.33333333 84.21052632 100 50 100 100 75 100 100 100 100 33.33333333 100 40 25 55.55555556 25 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
SNU1040_12.3 91.66666667 25 25 83.33333333 66.66666667 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 40 25 44.44444444 25 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
SNGM_12.3 83.33333333 20 25 25 83.33333333 33.33333333 84.21052632 100 57.14285714 100 100 75 100 100 100 100 66.66666667 100 60 25 25 44.44444444 12.5 75 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
SKMEL28_12.3 83.33333333 20 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 44.44444444 37.5 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
OV7_12.3 91.66666667 20 25 25 83.33333333 33.33333333 84.21052632 100 57.14285714 100 100 75 100 100 100 100 66.66666667 100 40 25 55.55555556 25 87.5 66.66666667 66.66666667 66.66666667 33.33333333 87.5 100 100 100 62.5
RKO_12.3 83.33333333 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 66.66666667 100 60 25 25 44.44444444 37.5 87.5 66.66666667 83.33333333 83.33333333 33.33333333 87.5 100 100 100 62.5
NCIH508_12.3 91.66666667 20 25 25 83.33333333 33.33333333 84.21052632 100 50 100 100 75 100 100 100 100 66.66666667 100 80 25 55.55555556 25 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
H1299_12.3 83.33333333 40 25 25 83.33333333 66.66666667 78.94736842 100 50 100 100 75 100 85.71428571 100 100 33.33333333 100 60 25 25 44.44444444 25 87.5 33.33333333 83.33333333 66.66666667 33.33333333 87.5 100 100 100 62.5
AGS_12.3 100 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 85.71428571 100 100 33.33333333 100 40 25 44.44444444 25 75 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
EFO27_12.3 83.33333333 40 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 44.44444444 12.5 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
SW480_12.3 83.33333333 40 25 25 83.33333333 66.66666667 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 20 25 44.44444444 25 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
HCT116_12.3 83.33333333 25 25 83.33333333 66.66666667 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 80 25 44.44444444 12.5 87.5 66.66666667 66.66666667 83.33333333 33.33333333 75 100 100 100 62.5
JHUEM2_12.3 83.33333333 20 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 66.66666667 100 20 25 25 44.44444444 12.5 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
MDST8_12.3 91.66666667 40 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 40 25 25 44.44444444 37.5 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
NCIH2073_12.3 83.33333333 25 25 83.33333333 33.33333333 84.21052632 100 50 100 100 75 100 100 100 100 33.33333333 100 40 25 25 44.44444444 25 87.5 66.66666667 66.66666667 66.66666667 33.33333333 87.5 100 100 100 62.5
COV644_12.2 83.33333333 20 25 25 83.33333333 66.66666667 84.21052632 100 50 100 100 75 100 100 100 100 33.33333333 100 40 25 33.33333333 12.5 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
DV90_12.2 91.66666667 20 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 25 44.44444444 25 87.5 66.66666667 66.66666667 66.66666667 33.33333333 87.5 100 100 100 62.5
RMGI_12.2 83.33333333 25 25 83.33333333 33.33333333 84.21052632 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 44.44444444 12.5 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
SKLU1_12.2 83.33333333 20 25 25 83.33333333 33.33333333 84.21052632 100 50 100 100 75 100 100 100 66.66666667 66.66666667 100 60 25 25 55.55555556 25 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
HT115_12.1 83.33333333 25 25 83.33333333 66.66666667 84.21052632 100 50 100 100 75 100 100 100 100 33.33333333 100 40 25 25 44.44444444 25 87.5 33.33333333 66.66666667 83.33333333 33.33333333 100 100 100 100 62.5
WSUDLCL2_12.1 91.66666667 20 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 100 40 25 25 55.55555556 25 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
PL21_12.1 91.66666667 20 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 25 33.33333333 37.5 87.5 66.66666667 66.66666667 66.66666667 33.33333333 87.5 100 100 100 62.5
NCIH1836_12.1 83.33333333 40 25 25 83.33333333 66.66666667 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 20 25 44.44444444 12.5 87.5 66.66666667 66.66666667 66.66666667 33.33333333 87.5 100 100 100 62.5
NCIH1694_12.1 83.33333333 40 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 55.55555556 25 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
SNUC5_12.1 91.66666667 40 25 25 83.33333333 66.66666667 84.21052632 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 25 44.44444444 25 87.5 66.66666667 66.66666667 66.66666667 33.33333333 87.5 100 100 100 62.5
CL34_12.1 91.66666667 40 25 25 83.33333333 66.66666667 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 40 25 25 44.44444444 25 87.5 33.33333333 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
THP1_12.1 83.33333333 40 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 33.33333333 25 25 87.5 33.33333333 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
SKM1_12.1 83.33333333 20 25 25 83.33333333 66.66666667 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 44.44444444 25 12.5 87.5 66.66666667 66.66666667 66.66666667 33.33333333 87.5 93.33333333 100 100 62.5
T3M10_12.0 83.33333333 20 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 80 25 44.44444444 37.5 87.5 33.33333333 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
NOMO1_11.8 83.33333333 40 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 40 25 44.44444444 25 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
BT20_4.1 83.33333333 40 25 25 66.66666667 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 66.66666667 100 60 25 25 44.44444444 25 25 87.5 66.66666667 83.33333333 83.33333333 33.33333333 87.5 93.33333333 100 100 62.5
HS578T_4.1 83.33333333 60 25 25 83.33333333 33.33333333 78.94736842 100 57.14285714 100 20 100 75 100 100 100 100 100 40 25 33.33333333 25 87.5 33.33333333 66.66666667 83.33333333 33.33333333 100 100 100 100 62.5
MDAMB231_4.1 83.33333333 20 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 55.55555556 25 87.5 83.33333333 83.33333333 66.66666667 87.5 93.33333333 100 100 62.5
SKBR3_4.1 83.33333333 20 25 25 66.66666667 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 25 44.44444444 25 12.5 87.5 33.33333333 66.66666667 66.66666667 33.33333333 87.5 93.33333333 100 100 75
HUH7_2.4 83.33333333 20 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 40 25 44.44444444 25 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
JURKAT_2.0 83.33333333 25 25 83.33333333 66.66666667 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 33.33333333 25 87.5 33.33333333 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
LNCAP_1.5 83.33333333 25 25 83.33333333 33.33333333 78.94736842 100 50 100 20 100 75 100 100 100 100 33.33333333 100 40 25 33.33333333 25 12.5 87.5 33.33333333 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
HL60_0.8 83.33333333 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 40 25 44.44444444 25 87.5 33.33333333 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
HA1E_99.6 83.33333333 20 33.33333333 75 12.5 83.33333333 66.66666667 84.21052632 100 50 100 40 100 75 100 100 100 100 100 60 25 33.33333333 25 50 75 66.66666667 50 50 33.33333333 100 100 100 100 62.5 25
HME1_5.2 83.33333333 25 25 66.66666667 33.33333333 78.94736842 100 57.14285714 100 100 75 100 100 100 100 33.33333333 100 40 25 44.44444444 25 87.5 33.33333333 83.33333333 83.33333333 33.33333333 87.5 100 100 100 62.5
MCF10A_4.1 83.33333333 40 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 40 25 44.44444444 25 87.5 33.33333333 83.33333333 83.33333333 33.33333333 87.5 100 100 100 62.5
HUVEC_3.9 83.33333333 20 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 40 25 33.33333333 25 87.5 33.33333333 66.66666667 83.33333333 66.66666667 87.5 100 100 100 62.5
NKDBA_2.6 83.33333333 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 66.66666667 100 40 25 44.44444444 25 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
HEK293T_1.2 83.33333333 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 44.44444444 25 75 33.33333333 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
ASC_80.4 83.33333333 20 25 12.5 25 83.33333333 100 66.66666667 89.47368421 100 35.71428571 100 20 100 75 100 71.42857143 100 100 100 60 25 33.33333333 12.5 25 87.5 33.33333333 50 83.33333333 66.66666667 87.5 33.33333333 33.33333333 100 100 100 62.5 25
FIBRNPC_13.9 83.33333333 40 25 25 25 83.33333333 66.66666667 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 44.44444444 25 12.5 87.5 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
ASC.C_3.9 83.33333333 20 25 25 83.33333333 33.33333333 78.94736842 100 57.14285714 100 100 75 100 100 100 100 33.33333333 100 40 25 44.44444444 25 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
HUES3_1.5 83.33333333 40 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 44.44444444 25 87.5 33.33333333 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
NPC_83.5 83.33333333 60 25 12.5 25 83.33333333 84.21052632 100 57.14285714 100 100 75 100 71.42857143 100 100 100 80 25 25 33.33333333 25 12.5 87.5 33.33333333 66.66666667 66.66666667 33.33333333 87.5 100 100 100 50 25
SKB_77.6 91.66666667 40 25 12.5 83.33333333 33.33333333 84.21052632 100 50 100 20 100 75 100 85.71428571 100 100 100 40 25 55.55555556 25 12.5 87.5 33.33333333 50 83.33333333 33.33333333 87.5 100 100 100 62.5
PHH_61.9 83.33333333 25 25 25 83.33333333 66.66666667 66.66666667 78.94736842 100 50 100 20 100 75 100 100 100 100 100 40 25 44.44444444 87.5 66.66666667 66.66666667 83.33333333 33.33333333 87.5 50 100 100 100 62.5 25
NEU_41.2 83.33333333 20 50 25 50 83.33333333 84.21052632 100 57.14285714 100 100 75 100 100 100 100 33.33333333 100 40 25 25 33.33333333 12.5 12.5 87.5 33.33333333 50 83.33333333 33.33333333 100 100 100 100 75 25
NPC.TAK_5.1 83.33333333 20 25 25 83.33333333 66.66666667 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 44.44444444 25 87.5 33.33333333 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
CD34_4.8 83.33333333 25 25 83.33333333 33.33333333 78.94736842 100 57.14285714 100 100 75 100 100 100 100 33.33333333 100 40 25 33.33333333 25 87.5 33.33333333 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
SKL_4.0 83.33333333 20 25 25 83.33333333 33.33333333 78.94736842 100 50 100 20 100 75 100 100 100 100 33.33333333 100 60 25 44.44444444 25 87.5 66.66666667 66.66666667 83.33333333 66.66666667 87.5 100 100 100 62.5
NPC.CAS9_3.9 83.33333333 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 44.44444444 25 87.5 83.33333333 66.66666667 33.33333333 87.5 100 100 100 62.5
SKL.C_3.9 83.33333333 40 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 40 25 44.44444444 25 87.5 33.33333333 66.66666667 83.33333333 33.33333333 87.5 100 100 100 62.5
MNEU.E_1.8 83.33333333 20 25 25 83.33333333 33.33333333 78.94736842 100 50 100 100 75 100 100 100 100 33.33333333 100 60 25 33.33333333 25 87.5 33.33333333 66.66666667 83.33333333 66.66666667 87.5 100 100 100 62.5
#Percent of drugs correctly expressing string connectivity to their drug class using fully imputed matrix by neighborhood or
#tissue agnsotic approach
bubble_plot_cf = read.table("bubble_plot_input_cf.txt", sep = "\t", header= TRUE, check.names=FALSE, stringsAsFactors = FALSE)
bubble_plot_ta = read.table("bubble_plot_input_ta.txt", sep = "\t", header= TRUE, check.names=FALSE, stringsAsFactors = FALSE)
pcl_order = read.table("pcl_order.txt", sep = "\t", header= TRUE, stringsAsFactors = FALSE)
bubble_plot_matrix_cf = bubble_plot_cf[, 2:53]
col_cf = data.frame(noquote(colnames(bubble_plot_matrix_cf)))
reorder_ind_cf = match(pcl_order$pcl, col_cf$noquote.colnames.bubble_plot_matrix_cf..)
bubble_plot_order_cf <- bubble_plot_matrix_cf[reorder_ind_cf]
bubble_plot_order_cf = data.matrix(bubble_plot_order_cf)
rownames(bubble_plot_order_cf) = bubble_plot_cf[,1]
bubble_plot_matrix_ta = bubble_plot_ta[, 2:53]
col_ta = data.frame(noquote(colnames(bubble_plot_matrix_ta)))
reorder_ind_ta = match(pcl_order$pcl, col_ta$noquote.colnames.bubble_plot_matrix_ta..)
bubble_plot_order_ta <- bubble_plot_matrix_ta[reorder_ind_ta]
bubble_plot_order_ta = data.matrix(bubble_plot_order_ta)
rownames(bubble_plot_order_ta) = bubble_plot_cf[,1]
library("corrplot")
tiff("collabPcl.tiff", units="in", width=8, height=5, res=300)
corrplot(t(bubble_plot_order_cf), is.corr =FALSE, na.label = ".", tl.col = "black", na.label.col = "grey", tl.cex = 0.45, title = "% Drugs Correctly Assigned PCL Membership (Complete Neighborhood Matrix)", mar=c(0,0,1,0))
dev.off()
tiff("agnosticPcl.tiff", units="in", width=8, height=5, res=300)
corrplot(t(bubble_plot_order_ta), is.corr =FALSE, na.label = ".", tl.col = "black", na.label.col = "grey", tl.cex = 0.45, title = "% Drugs Correctly Assigned PCL Membership (Complete Tissue Agnostic Matrix)", mar=c(0,0,1,0))
dev.off()
########Primary only###########
primary_cf = bubble_plot_order_cf[71:80, ]
primary_ta = bubble_plot_order_ta[71:80, ]
tiff("collabPcl_primary.tiff", units="in", width=8, height=5, res=300)
corrplot(primary_cf, is.corr =FALSE, na.label = ".", tl.col = "black", na.label.col = "grey", tl.cex = .65, title = "% Drugs Correctly Assigned PCL Membership (Complete Neighborhood Matrix)", mar=c(0,0,5,0))
dev.off()
tiff("agnosticPcl_primary.tiff", units="in", width=8, height=5, res=300)
corrplot(primary_ta, is.corr =FALSE, na.label = ".", tl.col = "black", na.label.col = "grey", tl.cex = .65, title = "% Drugs Correctly Assigned PCL Membership (Complete Tissue Agnostic Matrix)", mar=c(0,0,1,0))
dev.off()
pcl
Glucocorticoid receptor agonist_33
Dopamine receptor antagonist_19
Topoisomerase inhibitor_15
Tubulin inhibitor_14
Estrogen receptor agonist_14
HDAC inhibitor_12
ATPase inhibitor_12
PDGFR/KIT inhibitor_9
Protein synthesis inhibitor_8
VEGFR inhibitor_8
Serotonin receptor antagonist_8
Beta-adrenergic receptor agonist_8
Progesterone receptor agonist_8
PPAR receptor agonist_8
HMGCR inhibitor_7
Androgen receptor modulator_7
EGFR inhibitor_6
Tricyclic antidepressant_6
Ribonucleotide reductase inhibitor_6
CDK inhibitor_6
Retinoid receptor agonist_6
MTOR inhibitor_5
NFkB pathway inhibitor_5
Estrogen receptor antagonist_5
FLT3 inhibitor_5
Aurora kinase inhibitor_5
Cyclooxygenase inhibitor_5
Glycogen synthase kinase inhibitor_4
Bile acid_4
PARP inhibitor_4
Norepinephrine reputake inhibitor_4
Vitamin D receptor agonist_4
Reverse transcriptase inhibitor_4
Bacterial cell wall synthesis inhibitor_4
Sodium channel blocker_4
Progesterone receptor antagonist_4
SRC inhibitor_3
HSP inhibitor_3
DNA synthesis inhibitor_3
RAF inhibitor_3
T-type calcium channel blocker_3
KCNJ11_3
Aromatase inhibitor_3
IMPDH inhibitor_3
Sterol demethylase inhibitor_3
Bacterial DNA gyrase inhibitor_3
Cannabinoid receptor agonist_3
PKC inhibitor_3
Dihydrofolate reductase inhibitor_3
FGFR inhibitor_3
HIV protease inhibitor_3
Angiotensin receptor antagonist_3
This diff is collapsed.
require(ggplot2)
#scatterplot for drug down sampling
require(ggpubr)
sampleCells = c("MCF7", "PC3", "HA1E", "ASC", "NPC", "SKB")
#Note: Also ran analysis for A375, however easier to fit 6 graphs on page, trend noted for other cancer cells holds for A375
neg =read.delim(file="eval_down_sample.txt") # note this is now a data frame
colors= c("#00C094","#00B6EB", "#C49A00", "#53B400")
plts= list()
for (cell in sampleCells){
df = neg[neg$Cell == cell,]
plts[[cell]] = ggpar(ggline(df, x = "Percent.Data", y = "negCor", add = c("mean_se"), color = "Method", point.size = 0.2), ylim = c(0, 0.8), xlim = c(0, 100), ylab = " ", xlab = "Percent Data", title = cell, legend.title = " ")
}
ggsave("down_sample_negCor.png", ggarrange(plotlist = plts, common.legend = T, legend = "bottom", nrow =2, ncol = 3))
rm(list = ls(all.names = TRUE))
\ No newline at end of file
Cell collab_filter svd two_way tissue_agnostic
PC3 0.694740491 0.655705652 0.693825873 0.540412442
MCF7 0.728284497 0.709706946 0.74030286 0.534283416
A375 0.661420995 0.62864261 0.648858824 0.47655567
A549 0.56906671 0.557286995 0.597686092 0.488895082
ASC 0.430476545 0.427478238 0.343525095 0.27154473
HA1E 0.622319381 0.615322198 0.63419739 0.491106186
HCC515 0.590654297 0.564167324 0.558707803 0.443643235
HEPG2 0.495932154 0.50162575 0.461677429 0.379562551
HT29 0.707322931 0.693825267 0.680625276 0.49837551
NPC 0.571494745 0.510081296 0.492780262 0.302262992
VCAP 0.560550975 0.490072275 0.555528892 0.436182265
NEU 0.413877564 0.402014283 0.310477841 0.2196821
PC3 0.686589367 0.652016286 0.697370145 0.551340665
MCF7 0.733059521 0.709936434 0.736698074 0.520860446
A375 0.660210305 0.626701355 0.639282913 0.480191284
A549 0.575730699 0.550052381 0.596979829 0.473451712
ASC 0.433785807 0.420327333 0.31624091 0.265249362
HA1E 0.631896521 0.603384715 0.614027826 0.473629968
HCC515 0.584121657 0.565662048 0.572177137 0.453081175
HEPG2 0.511519819 0.501685833 0.463898588 0.381702502
HT29 0.696694661 0.695337136 0.68369134 0.507934878
NPC 0.572997981 0.507052281 0.498864058 0.300864012
VCAP 0.548988582 0.49656999 0.549440493 0.432025939
NEU 0.420380351 0.399347432 0.316140789 0.232691519
PC3 0.693814067 0.65826765 0.706177531 0.560480209
MCF7 0.725502071 0.703690619 0.739152452 0.538020707
A375 0.665182821 0.614206665 0.63972241 0.475941347
A549 0.585246488 0.557007715 0.602336162 0.496533486
ASC 0.446919936 0.433496982 0.333260909 0.270444931
HA1E 0.628970327 0.60340406 0.617719552 0.471786306
HCC515 0.583582 0.574782914 0.563592217 0.454058165
HEPG2 0.498651492 0.512985729 0.466232026 0.390846425
HT29 0.696404096 0.692433638 0.686386819 0.517483609
NPC 0.57677934 0.517771123 0.495929641 0.293832455
VCAP 0.568058715 0.490861883 0.546604926 0.431865573
NEU 0.43003241 0.408630773 0.31177851 0.23567895
PC3 0.681836052 0.651819262 0.694093175 0.541276454
MCF7 0.733271555 0.707612984 0.737577378 0.531975175
A375 0.661548103 0.622599279 0.633628188 0.472614202
A549 0.581826285 0.549933062 0.599300033 0.493250227
ASC 0.447250115 0.424583541 0.324225677 0.262098928
HA1E 0.618566421 0.613251937 0.619243712 0.481479993
HCC515 0.585900973 0.570068307 0.568810169 0.455876743
HEPG2 0.492196798 0.5100165 0.459523348 0.381542653
HT29 0.702000664 0.693106344 0.683920949 0.500619826
NPC 0.568263313 0.491587994 0.486740195 0.295458386
VCAP 0.545466871 0.500132852 0.553582211 0.429662597
NEU 0.430039497 0.409804146 0.305217745 0.225118366
PC3 0.674806861 0.65328846 0.696960169 0.542238253
MCF7 0.736473586 0.705983902 0.736945254 0.533362216
A375 0.662563298 0.621111979 0.641280422 0.479119211
A549 0.577951359 0.528802531 0.593817588 0.471722025
ASC 0.441983304 0.415809616 0.327426578 0.268427114
HA1E 0.638651566 0.615459962 0.627410073 0.476735128
HCC515 0.58575324 0.564886727 0.559653954 0.448390279
HEPG2 0.487487642 0.511570238 0.469723719 0.394451905
HT29 0.701750805 0.693612673 0.682640897 0.50394016
NPC 0.56622776 0.512265129 0.504626285 0.304133527
VCAP 0.554812231 0.502983415 0.550575152 0.432797554
NEU 0.41955062 0.401405053 0.297878208 0.211002702
Cell collab_filter svd two_way tissue_agnostic
PC3 0.705721059 0.631358515 0.678111214 0.664369413
MCF7 0.710558247 0.649031222 0.684195008 0.676925079
A375 0.645853401 0.539220565 0.584517707 0.591662412
A549 0.598373175 0.517247338 0.593119409 0.591557264
ASC 0.440645894 0.380416479 0.340184629 0.29958702
HA1E 0.660969939 0.543584303 0.616674473 0.625453527
HCC515 0.555144191 0.464671937 0.552966487 0.533460714
HEPG2 0.512077622 0.426151387 0.496598472 0.480334274
HT29 0.675027895 0.550669766 0.619879098 0.608519576
NPC 0.558832535 0.460659011 0.470359894 0.321318575
VCAP 0.497771541 0.432418112 0.461634977 0.438023826
NEU 0.409961078 0.360820812 0.277699397 0.231527934
PC3 0.707928472 0.634064028 0.682742403 0.667318587
MCF7 0.709878455 0.65189779 0.682753128 0.667651521
A375 0.640568991 0.535633227 0.584234433 0.584622933
A549 0.599678988 0.503735738 0.587599832 0.586215204
ASC 0.454958163 0.371275256 0.334091126 0.305017594
HA1E 0.674372161 0.538292797 0.607895674 0.614329147
HCC515 0.564054286 0.46025028 0.561076234 0.54385678
HEPG2 0.528867183 0.427750047 0.486932128 0.4843076
HT29 0.670059236 0.553835257 0.628318583 0.615021917
NPC 0.567036211 0.466114235 0.471969942 0.317660705
VCAP 0.500828163 0.430320007 0.455107078 0.440930064
NEU 0.41579325 0.356967537 0.283712771 0.231884187
PC3 0.704619421 0.6439339 0.689633792 0.668871989
MCF7 0.702723127 0.643303251 0.681863329 0.667500217
A375 0.64220362 0.538830863 0.58465607 0.587175735
A549 0.60732993 0.512563043 0.593578423 0.592300309
ASC 0.453015558 0.37589965 0.355855178 0.316110099
HA1E 0.660941737 0.535902026 0.602860688 0.601708706
HCC515 0.559238074 0.467942861 0.554640147 0.52975617
HEPG2 0.506295309 0.431346949 0.495312619 0.487594898
HT29 0.664087914 0.541681256 0.620392176 0.624040106
NPC 0.569057716 0.467910092 0.479829481 0.323683509
VCAP 0.505334937 0.434888164 0.453060192 0.42044892
NEU 0.418920381 0.359186671 0.277555023 0.235756277
PC3 0.70560963 0.635147626 0.678012097 0.665937909
MCF7 0.712761768 0.649767452 0.681366649 0.664428115
A375 0.638533254 0.537555715 0.58098954 0.586695146
A549 0.608268626 0.507015546 0.578384982 0.582759501
ASC 0.464490588 0.375324133 0.322953028 0.289451426
HA1E 0.648303417 0.54259468 0.608656294 0.620970067
HCC515 0.561922228 0.463155462 0.553023113 0.535345872
HEPG2 0.516021367 0.428589757 0.486110839 0.482684234
HT29 0.663186687 0.546250563 0.620133681 0.611095894
NPC 0.563076198 0.449881511 0.470583525 0.305280414
VCAP 0.502709579 0.442594714 0.459056636 0.435214747
NEU 0.421277866 0.356630409 0.278082427 0.241959872
PC3 0.695579351 0.636133201 0.675635213 0.659586103
MCF7 0.708888646 0.646534363 0.687426172 0.671816429
A375 0.63872718 0.535708418 0.591205914 0.593451322
A549 0.610902273 0.49984196 0.576441767 0.576725861
ASC 0.452180694 0.372236004 0.342148389 0.299047433
HA1E 0.661268048 0.546579654 0.617738251 0.615693807
HCC515 0.561862293 0.459159352 0.551401518 0.532445253
HEPG2 0.519581417 0.426246619 0.496645665 0.479826624
HT29 0.656015753 0.548301974 0.621457782 0.620251302
NPC 0.563782008 0.467277473 0.477484779 0.320273785
VCAP 0.500476331 0.440226191 0.458814544 0.437551795
NEU 0.413657937 0.358873752 0.280114343 0.224533053
error.bar <- function(x, y, upper, lower=upper, length=0.05,...){
if(length(x) != length(y) | length(y) !=length(lower) | length(lower) != length(upper))
stop("vectors must be same length")
arrows(x,y+upper, x, y-lower, angle=90, code=3, length=length, ...)
}
colorder=c(2,3,4,5)
colorder2=c(2,3,4)
colors=c("#F8766D","#C49A00","#53B400","#00C094","#00B6EB","#A58AFF","#FB61D7")
# color order: true, agnostic, two way, neighborhood, svd, AE, random
sampleorder=c(1,2,5,6,7,8,11,4,12,9,10,3)
# spearman correlation values
allpos=read.delim(file="corCmapScorePos.txt") # note this is now a data frame
posmeans=aggregate(allpos[,2:5],by=list(allpos[,1]),FUN="mean")
possd=aggregate(allpos[,2:5],by=list(allpos[,1]),FUN="sd")
names(posmeans)=c("cell","N","S","T","G")
names(possd)=c("cell","N","S","T","G")
colorder=c(2,3,4,5)
tiff("posCor.tiff", units="in", width=8, height=5, res=300)
par(mfrow=c(3,4))
par(mar=c(5,5,2,2)) # if want y axis labels
for (i in sampleorder){
barmeans=as.numeric(posmeans[i,colorder]); names(barmeans)=names(posmeans[i,colorder]);
barsd=as.numeric(possd[i,colorder]); names(barsd)=names(posmeans[i,colorder]);
barx=barplot(barmeans, ylim=c(0,.75), axis.lty=1, xlab=as.character(posmeans[i,"cell"]),
col=colors[c(4,5,3,2)])
error.bar(barx, barmeans, barsd, length=0.04)
}
dev.off()
posdiffs=cbind(allpos[,1],((allpos[,c(2:4)]/allpos[,5])-1)*100)
posdm=aggregate(posdiffs[,c(2:4)],by=list(posdiffs[,1]),FUN="mean")
posdsd=aggregate(posdiffs[,c(2:4)],by=list(posdiffs[,1]),FUN="sd")
names(posdm)=c("cell","N","S","T")
names(posdsd)=c("cell","N","S","T")
colorder3=c(2,3,4)
tiff("posPctChg.tiff", units="in", width=8, height=5, res=300)
par(mfrow=c(3,4))
par(mar=c(5,5,2,2)) # if want y axis labels
for (i in sampleorder){
barmeans=as.numeric(posdm[i,colorder3]); names(barmeans)=names(posdm[i,colorder3]);
barsd=as.numeric(posdsd[i,colorder3]); names(barsd)=names(posdm[i,colorder3]);
barx=barplot(barmeans, ylim=c(-35,80), axis.lty=1, xlab=as.character(posdm[i,"cell"]),
col=colors[c(4,5,3)])
error.bar(barx, barmeans, barsd, length=0.04)
}
dev.off()
allneg=read.delim(file="corCmapScoreNeg.txt") # note this is now a data frame
negmeans=aggregate(allneg[,2:5],by=list(allneg[,1]),FUN="mean")
negsd=aggregate(allneg[,2:5],by=list(allneg[,1]),FUN="sd")
names(negmeans)=c("cell","N","S","T","G")
names(negsd)=c("cell","N","S","T","G")
tiff("negCor.tiff", units="in", width=8, height=5, res=300)
par(mfrow=c(3,4))
par(mar=c(5,5,2,2)) # if want y axis labels
for (i in sampleorder){
barmeans=as.numeric(negmeans[i,colorder]); names(barmeans)=names(negmeans[i,colorder]);
barsd=as.numeric(negsd[i,colorder]); names(barsd)=names(negmeans[i,colorder]);
barx=barplot(barmeans, ylim=c(0,.75), axis.lty=1, xlab=as.character(negmeans[i,"cell"]),
col=colors[c(4,5,3,2)])
error.bar(barx, barmeans, barsd, length=0.04)
}
dev.off()
#Take snip to create png
negdiffs=cbind(allneg[,1],((allneg[,c(2:4)]/allneg[,5])-1)*100)
negdm=aggregate(negdiffs[,c(2:4)],by=list(negdiffs[,1]),FUN="mean")
negdsd=aggregate(negdiffs[,c(2:4)],by=list(negdiffs[,1]),FUN="sd")
names(negdm)=c("cell","N","S","T")
names(negdsd)=c("cell","N","S","T")
tiff("negPctChg.tiff", units="in", width=8, height=5, res=300)
par(mfrow=c(3,4))
par(mar=c(5,5,2,2)) # if want y axis labels
for (i in sampleorder){
barmeans=as.numeric(negdm[i,colorder3]); names(barmeans)=names(negdm[i,colorder3]);
barsd=as.numeric(negdsd[i,colorder3]); names(barsd)=names(negdm[i,colorder3]);
barx=barplot(barmeans, ylim=c(0,90), axis.lty=1, xlab=as.character(negdm[i,"cell"]),
col=colors[c(4,5,3)])
error.bar(barx, barmeans, barsd, length=0.04)
}
dev.off()
This diff is collapsed.
This diff is collapsed.
error.bar <- function(x, y, upper, lower=upper, length=0.05,...){
if(length(x) != length(y) | length(y) !=length(lower) | length(lower) != length(upper))
stop("vectors must be same length")
arrows(x,y+upper, x, y-lower, angle=90, code=3, length=length, ...)