07-Geneexpression/ Cancer study Praxis

- Berechnet Distanzen zwischen Zeilen einer Matrix./Syntax: dist(x, method="euclidean")/Beispiel: dist(expr_matrix, method="euclidean") → euklidische Distanzen zwischen Genen oder Proben.

- Berechnet Korrelationen zwischen Variablen oder Zeilen./Syntax: cor(x, method="pearson")/Beispiel: cor(expr_matrix) → Korrelationsmatrix für Co-Expression-Analyse.

- Berechnet Kovarianzmatrix eines Datensatzes./Syntax: cov(x)/Beispiel: cov(expr_matrix) → Streuungs- und Zusammenhangsstruktur der Gene.

- Zentriert und standardisiert Daten (z-Transformation)./Syntax: scale(x, center=TRUE, scale=TRUE)/Beispiel: scale(expr_matrix) → Mittelwert=0, SD=1 für jedes Gen.

- Führt hierarchisches Clustering durch./Syntax: hclust(dist_matrix, method="average")/Beispiel: hclust(dist(expr_matrix)) → Clusterbaum nach WPGMA.

- Zeichnet Dendrogramm aus einem hclust-Objekt./Syntax: plot(hclust_obj)/Beispiel: plot(hclust(dist(expr_matrix))) → visuelles Clusterdiagramm.

- Schneidet Dendrogramm in gewünschte Clusterzahl./Syntax: cutree(tree, k)/Beispiel: cutree(hclust_obj, k=4) → weist Proben 4 Gruppen zu.

- Visualisiert Matrixdaten farblich mit Clustering./Syntax: heatmap(x, scale="row")/Beispiel: heatmap(expr_matrix, scale="row") → Gene rot/blau nach Expression.

- Wandelt Matrix in Distanzobjekt um./Syntax: as.dist(matrix)/Beispiel: as.dist(1-cor(expr_matrix)) → Distanzmatrix auf Basis von Korrelation.

- Testet Signifikanz einer Korrelation./Syntax: cor.test(x, y)/Beispiel: cor.test(expr1, expr2) → prüft, ob Zusammenhang signifikant.

- Fasst Werte nach Gruppen mit Funktion zusammen./Syntax: aggregate(x, by=list(group), FUN=mean)/Beispiel: aggregate(expr_matrix, by=list(cluster), mean) → mittlere Expression pro Cluster.

- Führt Principal Component Analysis durch./Syntax: prcomp(x, scale.=TRUE)/Beispiel: prcomp(t(expr_matrix), scale.=TRUE) → PCA über Proben.

- Zeichnet PCA-Ergebnisse oder beliebige Objekte./Syntax: plot(pca$x[,1:2])/Beispiel: plot(pca$x[,1:2], col=group) → PCA-Streuung nach Gruppen.

- Erstellt Korrelationen aller Gene./Beispiel: heatmap(corMatrix) → Clusterung basierend auf Co-Expression.

simil()?

- Berechnet Manhattan-Distanzen (robust gegen Ausreißer)./Beispiel: dist(expr_matrix, "manhattan") → alternative Distanzmetrik.

- Berechnet Mittelwert jeder Zeile (z. B. Gen)./Syntax: rowMeans(x)/Beispiel: rowMeans(expr_matrix) → mittlere Expression je Gen.

- Wendet Funktion zeilen- oder spaltenweise an./Syntax: apply(X, 1, FUN)/Beispiel: apply(expr_matrix, 1, sd) → Standardabweichung pro Gen.

- Berechnet Varianz eines Vektors./Syntax: var(x)/Beispiel: var(expr_matrix[1,]) → Streuung eines Gens über Proben.

- Spezialisierte PCA-Visualisierung (DESeq2)./Syntax: plotPCA(dds, intgroup="condition")/Beispiel: PCA-Plot aus RNA-Seq-Daten mit Bedingungsfarben.

- Visualisiert PCA-Scores mit ggplot2-Syntax./Syntax: ggplot(pca_data, aes(PC1, PC2, color=group)) + geom_point()/Beispiel: PCA-Plot nach Tumor-Subtyp.

pheatmap()?

- Exportiert Matrix oder Ergebnisse in CSV-Datei./Syntax: write.csv(x, "file.csv")/Beispiel: write.csv(cor(expr_matrix), "cor_matrix.csv") → Speicherung für Analyse.

- Transponiert Matrix (Zeilen ↔ Spalten)./Syntax: t(x)/Beispiel: t(expr_matrix) → Proben als Zeilen, Gene als Spalten für PCA.

- Sortiert Dendrogramm nach Clusterreihenfolge./Syntax: order.dendrogram(dendrogram_obj)/Beispiel: bestimmt Reihenfolge der Cluster in Heatmap.