05_multivariate_methods_pca.Rmd

---
title: "Многомерные методы (PCA)"
author: "Марина Варфоломеева"
output:
  html_document:
    toc: yes
    toc_depth: 2
    toc_float:
      collapsed: no
    theme: flatly
    highlight: haddock
    include:
      after_body: _footer.html
    css: my_styles.css
    lib_dir: site_libs
    self_contained: no
bibliography:
  - "bibs/references.bib"
  - "bibs/05_packages.bib"
csl: "bibs/ecology.csl"
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
library("knitcitations")
cleanbib()
options("citation_format" = "pandoc")
```

# Многомерные методы выявления белков с похожим паттерном экспрессии (PCA)

Для PCA можно использовать несколько вариантов: в базовом пакете это функция `prcomp()`, `rda()` из пакета `vegan` `r citep(citation("vegan"))` и многие другие.


# Данные

```{r message=FALSE}
library(prot2D)
data(pecten)
data(pecten.fac)
library(limma)
pecten_norm <- normalizeQuantiles(pecten)
pecten_log <- log2(pecten_norm)
```

# Сходство проб

Построим тепловую карту коэффициентов корреляции между пробами при помощи функции `aheatmap()` из пакета `NMF` `r citep(citation("NMF"))`.

```{r message=FALSE}
library(NMF)
aheatmap(cor(pecten_log), color = "-RdBu:256", annCol = pecten.fac$Condition)
```

# PCA

```{r fig.show='hold'}
pca_pect <- prcomp(t(pecten_log))
PCA <- pca_pect$x
pal <- brewer.pal(9, "Set1")
cols <- pal[pecten.fac$Condition]

op <- par(mfrow = c(2, 2), mar = c(4, 4, 0.5, 0.5))
barplot(summary(pca_pect)$importance["Proportion of Variance", ], ylim = c(0, 1))
plot(PCA[, c(1, 3)], bg = cols, pch = 21, cex = 1, lwd = 1)
plot(PCA[, 3:2], bg = cols, pch = 21, cex = 1, lwd = 1)
plot(PCA, bg = cols, pch = 21, cex = 1, lwd = 1)
legend("topleft", legend = levels(pecten.fac$Condition), pt.bg = pal[1:2], pch = 21)
par(op)
```



## Ссылки

```{r include=FALSE}
write.bibtex(file="bibs/05_packages.bib")
```