生物信息學(xué)第二基因表達(dá)數(shù)據(jù)分析演示文稿

生物信息學(xué)第二版基因表達(dá)數(shù)據(jù)分析演示文稿目前一頁\總數(shù)一百一十一頁\編于十九點第五章

基因表達(dá)數(shù)據(jù)分析蘇州大學(xué)沈百榮首都醫(yī)科大學(xué)李冬果生物信息學(xué)目前二頁\總數(shù)一百一十一頁\編于十九點第一節(jié)引言Introduction目前三頁\總數(shù)一百一十一頁\編于十九點基因表達(dá)組學(xué)與基因組學(xué)相比較表達(dá)組信息是動態(tài)的；表達(dá)組學(xué)的數(shù)據(jù)，更多的是數(shù)值分析；轉(zhuǎn)錄組學(xué)中除了模式識別外，系統(tǒng)建模也十分重要。目前四頁\總數(shù)一百一十一頁\編于十九點真核生物基因表達(dá)的基本方式目前五頁\總數(shù)一百一十一頁\編于十九點基因表達(dá)調(diào)控示意圖目前六頁\總數(shù)一百一十一頁\編于十九點基因表達(dá)的時空性目前七頁\總數(shù)一百一十一頁\編于十九點基因表達(dá)測定方法RT-qPCR目前八頁\總數(shù)一百一十一頁\編于十九點近20年來三種不同高通量基因表達(dá)測定技術(shù)的應(yīng)用趨勢目前九頁\總數(shù)一百一十一頁\編于十九點高通量基因表達(dá)測定的應(yīng)用實例1.測定組織特異性基因表達(dá)2.基因功能分類3.癌癥的分類和預(yù)測4.臨床治療效果預(yù)測5.基因與小分子藥物、疾病之間的關(guān)聯(lián)6.干細(xì)胞的全能型、自我更新和細(xì)胞命運決定研究目前十頁\總數(shù)一百一十一頁\編于十九點7.動植物的發(fā)育研究8.環(huán)境對細(xì)胞基因表達(dá)的作用9.環(huán)境監(jiān)測10.物種的繁育目前十一頁\總數(shù)一百一十一頁\編于十九點第二節(jié)基因表達(dá)測定平臺與數(shù)據(jù)庫MicroarrayPlatformandDatabases目前十二頁\總數(shù)一百一十一頁\編于十九點1.cDNA芯片2.Affymetrix芯片

3.下一代測序技術(shù)技術(shù)如：Roche-454,IlluminaMiSeq，IonTorrentPGM一、基因表達(dá)測定平臺介紹目前十三頁\總數(shù)一百一十一頁\編于十九點二、Microarray技術(shù)與RNA-Seq技術(shù)的比較1.RNA-Seq技術(shù)對沒有已知參考基因組信息的非模式生物，也可測定轉(zhuǎn)錄信息；2.RNA-Seq技術(shù)可以測定轉(zhuǎn)錄邊界的精度達(dá)到一個堿基，RNA-Seq可以用來研究復(fù)雜的轉(zhuǎn)錄關(guān)系；3.RNA-Seq可以同時測定序列的變異；4.RNA-Seq背景信號很小，測定的動態(tài)范圍很大。目前十四頁\總數(shù)一百一十一頁\編于十九點RNA-Seq在基因表達(dá)的定量上準(zhǔn)確性很高；RNA-Seq在測定技術(shù)上和生物上重復(fù)性很高；RNA-Seq的測定需要很少的RNA樣本。在應(yīng)用上RNA-Seq技術(shù)對ISOFORM的測定和等位基因的區(qū)分比芯片技術(shù)有很好的優(yōu)勢。目前十五頁\總數(shù)一百一十一頁\編于十九點三、基因表達(dá)數(shù)據(jù)庫常用基因表達(dá)數(shù)據(jù)庫名稱數(shù)據(jù)庫內(nèi)容GeneExpressionOmnibus（GEO）目前最常用的基因表達(dá)數(shù)據(jù)（NCBI）ExpressionAtlas歐洲生物信息學(xué)中心的基因表達(dá)數(shù)據(jù)庫SMDStanford基因表達(dá)數(shù)據(jù)庫RNA-SeqAtlas正常組織的基因表達(dá)譜數(shù)據(jù)GEPdb基因型、表型和基因表達(dá)關(guān)系GXD老鼠發(fā)育基因表達(dá)信息EMAGE老鼠胚胎的時空表達(dá)信息AGEMAP老鼠老化的基因表達(dá)數(shù)據(jù)目前十六頁\總數(shù)一百一十一頁\編于十九點疾病相關(guān)基因表達(dá)數(shù)據(jù)庫數(shù)據(jù)庫名稱數(shù)據(jù)庫內(nèi)容GENT腫瘤組織與正常組織的表達(dá)數(shù)據(jù)ParkDB帕金森病的基因表達(dá)數(shù)據(jù)庫cMAP小分子化合物對人細(xì)胞基因表達(dá)的影響Anticancerdruggeneexpressiondatabase抗癌化合物的基因表達(dá)數(shù)據(jù)CGED癌癥基因表達(dá)數(shù)據(jù)庫（包括臨床信息）目前十七頁\總數(shù)一百一十一頁\編于十九點第三節(jié)

數(shù)據(jù)預(yù)處理與差異表達(dá)分析

PreprocessingofMicroarrayDataandAnalysisofDifferentiallyExpressionGene目前十八頁\總數(shù)一百一十一頁\編于十九點一、基因芯片數(shù)據(jù)預(yù)處理（一）基因芯片數(shù)據(jù)的提取cDNA微陣列芯片熒光信號目前十九頁\總數(shù)一百一十一頁\編于十九點定性信息提取：P/A/M（Present/Absent/Marginal）定量信息提?。夯谔结樇瘏R總后的基因水平的熒光信號強(qiáng)度值原位合成芯片目前二十頁\總數(shù)一百一十一頁\編于十九點（二）數(shù)據(jù)對數(shù)化轉(zhuǎn)換對芯片數(shù)據(jù)做對數(shù)化轉(zhuǎn)換后，數(shù)據(jù)可近似正態(tài)分布目前二十一頁\總數(shù)一百一十一頁\編于十九點（三）數(shù)據(jù)過濾數(shù)據(jù)過濾的目的是去除表達(dá)水平是負(fù)值或很小的數(shù)據(jù)或者明顯的噪聲數(shù)據(jù)。過閃耀現(xiàn)象物理因素導(dǎo)致的信號污染雜交效能低點樣問題其他目前二十二頁\總數(shù)一百一十一頁\編于十九點（四）補(bǔ)缺失值1.數(shù)據(jù)缺失類型非隨機(jī)缺失基因表達(dá)豐度過高或過低。隨機(jī)缺失與基因表達(dá)豐度無關(guān)，數(shù)據(jù)補(bǔ)缺主要針對隨機(jī)缺失情況。目前二十三頁\總數(shù)一百一十一頁\編于十九點高表達(dá)基因的數(shù)據(jù)缺失目前二十四頁\總數(shù)一百一十一頁\編于十九點2.數(shù)據(jù)補(bǔ)缺方法（1）簡單補(bǔ)缺法missingvalues=0expressionmissingvalues=1expression（arbitrarysignal）missingvalues=row（gene）averagemissingvalues=column（array）average目前二十五頁\總數(shù)一百一十一頁\編于十九點（2）k近鄰法選擇與具有缺失值基因的k個鄰居基因用鄰居基因的加權(quán)平均估計缺失值參數(shù)鄰居個數(shù)距離函數(shù)目前二十六頁\總數(shù)一百一十一頁\編于十九點目前二十七頁\總數(shù)一百一十一頁\編于十九點（3）回歸法目前二十八頁\總數(shù)一百一十一頁\編于十九點（五）數(shù)據(jù)標(biāo)準(zhǔn)化1.為什么要進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化:存在不同來源的系統(tǒng)誤差染料物理特性差異（熱光敏感性，半衰期等）染料的結(jié)合效率點樣針差異數(shù)據(jù)收集過程中的掃描設(shè)施不同芯片間的差異實驗條件差異目前二十九頁\總數(shù)一百一十一頁\編于十九點2.運用哪些基因進(jìn)行標(biāo)準(zhǔn)化處理芯片上大部分基因（假設(shè)芯片上大部分基因在不同條件下表達(dá)量相同）不同條件間穩(wěn)定表達(dá)的基因（如持家基因）控制序列（spikedcontrol）在不同條件下表達(dá)水平相同的合成DNA序列或外源的DNA序列。目前三十頁\總數(shù)一百一十一頁\編于十九點3.cDNA芯片數(shù)據(jù)標(biāo)準(zhǔn)化處理（1）片內(nèi)標(biāo)化（within-slidenormalization）方法全局標(biāo)化、熒光強(qiáng)度依賴的標(biāo)準(zhǔn)化、點樣針組內(nèi)標(biāo)準(zhǔn)化。目前三十一頁\總數(shù)一百一十一頁\編于十九點假設(shè)：R=k*G方法:c=log2k：中值或均值全局標(biāo)化（globalnormalization）目前三十二頁\總數(shù)一百一十一頁\編于十九點熒光強(qiáng)度依賴的標(biāo)化（intensitydependentnormalization）為什么方法:scatter-plotsmootherlowess擬合

c（A）為M

對A的擬合函數(shù)標(biāo)化后的數(shù)據(jù)目前三十三頁\總數(shù)一百一十一頁\編于十九點點樣針依賴的標(biāo)化（within-print-tip-groupnormalization）為什么一張芯片的不同區(qū)域運用不同的點樣針點樣，從而引入點樣針帶來的系統(tǒng)誤差。method目前三十四頁\總數(shù)一百一十一頁\編于十九點（2）染色互換實驗（dye-swapexperiment）的標(biāo)化實驗組對照組芯片1cy5（R）cy3（G’）

芯片2cy3（G）cy5（R’）前提假設(shè)：c︽c’方法:目前三十五頁\總數(shù)一百一十一頁\編于十九點線性標(biāo)化法（linearscalingmethods）與芯片內(nèi)標(biāo)化的尺度調(diào)整（scaleadjustment）方法類似。非線性標(biāo)化法（non-linearmethods）分位數(shù)標(biāo)化法（quantilenormalization）兩張芯片的表達(dá)數(shù)據(jù)的分位數(shù)標(biāo)化至相同，即分布于對角線上。（3）片間標(biāo)化（multiple-slidenormalization）目前三十六頁\總數(shù)一百一十一頁\編于十九點4.芯片數(shù)據(jù)標(biāo)準(zhǔn)化對每個探針對計算RR=（PM–MM）/（PM+MM）比較R與定義的閾值Tau（小的正值，默認(rèn)值為0.015）單側(cè)的Wilcoxon’sSignedRanktest產(chǎn)生p值，根據(jù)p值定義定量信號值

PresentcallMarginalcallAbsentcall（1）

提取定性信號目前三十七頁\總數(shù)一百一十一頁\編于十九點目前三十八頁\總數(shù)一百一十一頁\編于十九點分析步驟獲取探針?biāo)綌?shù)據(jù)→背景值效正→標(biāo)準(zhǔn)化處理→探針特異背景值效正→探針集信號的匯總（2）提取定量信號目前三十九頁\總數(shù)一百一十一頁\編于十九點1分析方法目前四十頁\總數(shù)一百一十一頁\編于十九點2目前四十一頁\總數(shù)一百一十一頁\編于十九點3目前四十二頁\總數(shù)一百一十一頁\編于十九點4目前四十三頁\總數(shù)一百一十一頁\編于十九點5目前四十四頁\總數(shù)一百一十一頁\編于十九點6目前四十五頁\總數(shù)一百一十一頁\編于十九點M=log2R-log2GA=（log2R+log2G）/27目前四十六頁\總數(shù)一百一十一頁\編于十九點8目前四十七頁\總數(shù)一百一十一頁\編于十九點9目前四十八頁\總數(shù)一百一十一頁\編于十九點前面提及的標(biāo)準(zhǔn)化方法僅效正了數(shù)據(jù)分布的中心，在不同的柵格間log-Ratios的方差也不同。目前四十九頁\總數(shù)一百一十一頁\編于十九點目前五十頁\總數(shù)一百一十一頁\編于十九點二、差異表達(dá)分析基本原理與方法（一）倍數(shù)法實驗條件下的表達(dá)值對照條件下的表達(dá)值通常以2倍差異為閾值，判斷基因是否差異表達(dá)目前五十一頁\總數(shù)一百一十一頁\編于十九點（二）t檢驗法

運用t檢驗法可以判斷基因在兩不同條件下的表達(dá)差異是否具有顯著性

目前五十二頁\總數(shù)一百一十一頁\編于十九點（三）方差分析

目前五十三頁\總數(shù)一百一十一頁\編于十九點兩種或多種條件間下基因表達(dá)量的比較，用方差分析。它將基因在樣本之間的總變異分解為組間變異和組內(nèi)變異兩部分。通過方差分析的假設(shè)檢驗判斷組間變異是否存在，如果存在則表明基因在不同條件下的表達(dá)有差異。目前五十四頁\總數(shù)一百一十一頁\編于十九點（四）SAM法（significanceanalysisofmicroarrays）1.多重假設(shè)檢驗問題Ⅰ型錯誤（假陽性）在假設(shè)檢驗作推斷結(jié)論時，拒絕了實際上正確的檢驗假設(shè)，即將無差異表達(dá)的基因判斷為差異表達(dá)。Ⅱ型錯誤（假陰性）不拒絕實際上不正確的，即將有差異表達(dá)的基因判斷為無差異表達(dá)。目前五十五頁\總數(shù)一百一十一頁\編于十九點在進(jìn)行差異基因挑選時，整個差異基因篩選過程需要做成千上萬次假設(shè)檢驗，導(dǎo)致假陽性率的累積增大。對于這種多重假設(shè)檢驗帶來的放大的假陽性率，需要進(jìn)行糾正。常用的糾正策略有Bonferroni效正，控制FDR（falsediscoveryrate）值等。目前五十六頁\總數(shù)一百一十一頁\編于十九點2.分析步驟計算統(tǒng)計量擾動實驗條件，計算擾動后的基因表達(dá)的相對差異統(tǒng)計量計算擾動后的平均相對差異統(tǒng)計量目前五十七頁\總數(shù)一百一十一頁\編于十九點確定差異表達(dá)基因閾值以最小的正值和最大的負(fù)值作為統(tǒng)計閾值，運用該閾值，統(tǒng)計在值中超過該閾值的假陽性基因個數(shù)，估計假陽性發(fā)現(xiàn)率FDR值。調(diào)整FDR值的大小得到差異表達(dá)基因。目前五十八頁\總數(shù)一百一十一頁\編于十九點目前五十九頁\總數(shù)一百一十一頁\編于十九點（五）信息熵運用信息熵進(jìn)行差異基因挑選時，不需要用到樣本的類別信息，所以運用信息熵找到的差異基因是指在所有條件下表達(dá)波動比較大的基因。目前六十頁\總數(shù)一百一十一頁\編于十九點三、差異表達(dá)分析應(yīng)用以一套阿爾海茨默病相關(guān)的基因表達(dá)譜數(shù)據(jù)（GSE5281）為例，詳細(xì)介紹如何利用BRB-ArrayTools軟件進(jìn)行數(shù)據(jù)預(yù)處理，并對處理過的標(biāo)準(zhǔn)化的基因芯片數(shù)據(jù)利用SAM軟件進(jìn)行差異表達(dá)分析的過程。目前六十一頁\總數(shù)一百一十一頁\編于十九點GSE5281數(shù)據(jù)是利用Affymetrix公司的寡核苷酸芯片HG-U133Plus2.0Array檢測阿爾海茨默病病人和正常老年人大腦中六個不同區(qū)域的基因表達(dá)情況，本例僅選擇其中一個區(qū)域—內(nèi)側(cè)顳回（middletemporalgyrus,MTG）的數(shù)據(jù)進(jìn)行說明。目前六十二頁\總數(shù)一百一十一頁\編于十九點第一步：導(dǎo)入芯片數(shù)據(jù)使用“importdata”下的“GeneralFormatImporter”導(dǎo)入基因芯片數(shù)據(jù)，數(shù)據(jù)間用Tab鍵分隔（或使用Excell文件），也可使用“DataImportWizard”進(jìn)行導(dǎo)入。目前六十三頁\總數(shù)一百一十一頁\編于十九點導(dǎo)入芯片數(shù)據(jù)目前六十四頁\總數(shù)一百一十一頁\編于十九點第二步：選擇文件類型每張芯片用單獨的文件存儲,多個文件保存在一個文件夾

“Arrayaresavedinseparatefilesstoredinonefolder”若多張芯片數(shù)據(jù)組織成一個矩陣形式,存儲在一個文件中“Arrayaresavedinhorizontallyalignedfile”目前六十五頁\總數(shù)一百一十一頁\編于十九點選擇記憶芯片數(shù)據(jù)文件類型目前六十六頁\總數(shù)一百一十一頁\編于十九點第三步：選擇芯片數(shù)據(jù)文件所存儲的路徑注意路徑中不能包含中文目前六十七頁\總數(shù)一百一十一頁\編于十九點第四步：選擇基因芯片平臺目前六十八頁\總數(shù)一百一十一頁\編于十九點第五步：選擇文件格式目前六十九頁\總數(shù)一百一十一頁\編于十九點第六步：數(shù)據(jù)的過濾和標(biāo)準(zhǔn)化目前七十頁\總數(shù)一百一十一頁\編于十九點第七步：基因注釋由于基因芯片檢測的是探針的表達(dá)情況，而探針和基因之間往往不是一一對應(yīng)，所以，在數(shù)據(jù)導(dǎo)入后軟件會詢問是否需要進(jìn)行基因注釋，及是否需要將探針轉(zhuǎn)換成相應(yīng)的基因名(genesymbol)或EntrezID目前七十一頁\總數(shù)一百一十一頁\編于十九點第八步：運行SAMFDR=0.01,delta=0.68選出2209個在阿爾海茨默病病人和正常人腦組織中表達(dá)發(fā)生顯著性改變的基因。目前七十二頁\總數(shù)一百一十一頁\編于十九點SAM的參數(shù)設(shè)定目前七十三頁\總數(shù)一百一十一頁\編于十九點第九步：SAMPlot

目前七十四頁\總數(shù)一百一十一頁\編于十九點SAMPlot

目前七十五頁\總數(shù)一百一十一頁\編于十九點第四節(jié)

聚類分析與分類分析

ClusteringAnalysisandClassification目前七十六頁\總數(shù)一百一十一頁\編于十九點一、聚類目的基于物體的相似性將物體分成不同的組目前七十七頁\總數(shù)一百一十一頁\編于十九點二、基因表達(dá)譜數(shù)據(jù)的聚類對基因進(jìn)行聚類識別功能相關(guān)的基因識別基因共表達(dá)模式對樣本進(jìn)行聚類質(zhì)量控制檢查樣本是否按已知類別分組發(fā)現(xiàn)亞型目前七十八頁\總數(shù)一百一十一頁\編于十九點

樣本基因目前七十九頁\總數(shù)一百一十一頁\編于十九點三、距離（相似性）尺度函數(shù)幾何距離線性相關(guān)系數(shù)非線性相關(guān)系數(shù)互信息目前八十頁\總數(shù)一百一十一頁\編于十九點四、聚類算法層次聚類算法將研究對象按照它們的相似性關(guān)系用樹形圖進(jìn)行呈現(xiàn)，進(jìn)行層次聚類時不需要預(yù)先設(shè)定類別個數(shù)，樹狀的聚類結(jié)構(gòu)可以展示嵌套式的類別關(guān)系。（一）層次聚類目前八十一頁\總數(shù)一百一十一頁\編于十九點目前八十二頁\總數(shù)一百一十一頁\編于十九點在對含非單獨對象的類進(jìn)行合并或分裂時，常用的類間度量方法。類間相似性度量方法目前八十三頁\總數(shù)一百一十一頁\編于十九點2000年Alizadeh等運用基因芯片數(shù)據(jù)，基于層次聚類算法證實了DLBCL腫瘤病人在mRNA層面確實存在兩種亞型目前八十四頁\總數(shù)一百一十一頁\編于十九點（二）k均值聚類基本思想目前八十五頁\總數(shù)一百一十一頁\編于十九點（三）自組織映射聚類基本思想在不斷的學(xué)習(xí)過程中，輸出層的神經(jīng)元根據(jù)輸入樣本的特點進(jìn)行權(quán)重調(diào)整，最后拓樸結(jié)構(gòu)發(fā)生了改變。目前八十六頁\總數(shù)一百一十一頁\編于十九點（四）雙向聚類雙向聚類就是識別基因表達(dá)譜矩陣中同質(zhì)的子矩陣，運用特定的基因子類識別樣本子類。

目前八十七頁\總數(shù)一百一十一頁\編于十九點雙向聚類識別同質(zhì)的子結(jié)構(gòu)目前八十八頁\總數(shù)一百一十一頁\編于十九點五、分類分析（一）線性判別分類器目前八十九頁\總數(shù)一百一十一頁\編于十九點（二）k近鄰分類法目前九十頁\總數(shù)一百一十一頁\編于十九點（三）PAM方法

（predictionanalysisformicroarray）基本思想每類樣本的質(zhì)心向所有樣本的質(zhì)心進(jìn)行收縮，即收縮每個基因的類均值，收縮的數(shù)量由值決定。當(dāng)收縮過程發(fā)生時，某些基因在不同類中將會有相同的類均值，這些基因就不具有類間的區(qū)別效能。目前九十一頁\總數(shù)一百一十一頁\編于十九點基因1基因2目前九十二頁\總數(shù)一百一十一頁\編于十九點分析步驟計算統(tǒng)計量對公式經(jīng)過變換得到目前九十三頁\總數(shù)一百一十一頁\編于十九點收縮各類的均值判斷新樣本類別目前九十四頁\總數(shù)一百一十一頁\編于十九點（四）決策樹基本思想決策樹又稱多級分類器，它可以把一個復(fù)雜的多類別分類問題轉(zhuǎn)化為若干個簡單的分類問題來解決。決策樹的結(jié)構(gòu)：一個樹狀的結(jié)構(gòu)，內(nèi)部節(jié)點上選用一個屬性進(jìn)行分割，每個分叉都是分割的一個部分，葉子節(jié)點表示一個分布。目前九十五頁\總數(shù)一百一十一頁\編于十九點決策樹應(yīng)用于腫瘤基因表達(dá)譜的分類分析目前九十六頁\總數(shù)一百一十一頁\編于十九點分析步驟：提取分類規(guī)則，進(jìn)行分類預(yù)測在構(gòu)造決策樹的過程中最重要的一點是在每一個分割節(jié)點確定用哪個屬性來分類（或分裂）這就涉及到關(guān)于使用什么準(zhǔn)則來衡量使用A屬性比使用B屬性更合理決策樹分類算法output訓(xùn)練集決策樹input目前九十七頁\總數(shù)一百一十一頁\編于十九點衡量準(zhǔn)則信息增益——informationgain基尼指數(shù)——Giniindex目前九十八頁\總數(shù)一百一十一頁\編于十九點決策樹的修剪消除決策樹的過適應(yīng)問題消除訓(xùn)練集中的異常和噪聲目前九十九頁\總數(shù)一百一十一頁\編于十九點（五）分類效能評價1.構(gòu)建訓(xùn)練集和檢驗集n倍交叉驗證（n-foldcrossvalidation）Bagging（bootstrapaggregating）無放回隨機(jī)抽樣留一法交叉驗證（leave-one-outcrossvalidation，LOOCV）目前一百頁\總數(shù)一百一十一頁\編于十九點2.分類效能靈敏度（sensitivity，recall）特異性（specificity）陽性預(yù)測率（positivepredictivevalue，precision）陰性預(yù)測率（negativepredictivevalue）均衡正確率（balancedaccuracy）正確率（correctoraccuracy）目前一百零一頁\總數(shù)一百一十一頁\編于十九點第五節(jié)

基因表達(dá)譜數(shù)據(jù)分析軟件

SoftwareToolsforGeneExpressionProfileAnalysis目前一百零二頁\總數(shù)一百一十一頁\編于十九點一、R程序示例R程序說明a=49；sqrt（a）賦值可用“=”，也可用“-〉”；R的語句可以寫在一行，用“；”分開seq（0,5,length=6）seq是R的一個函數(shù)；具體可以輸入命令“？seq”查找seq的具體使用方法plot（sin（seq（0,2*pi,length=100）））plot是畫圖函數(shù)，a="Thedogatemyhomework"ａ是一個字符串sub（"dog","cat",a）sub的功能是將a中的“dog”用“cat”替代，結(jié)果為"Thecatatemyhomework“a=（1+1==3）；aa是一個邏輯變量，結(jié)果為：FALSE目前一百零三頁\總數(shù)一百一十一頁\編于十九點R程序說明x<-1:6“：”在這里是＂from:to＂的意思,結(jié)果是1，2，3,4,5,6。dim（x）<-c（3,4）;xdim函數(shù)是維數(shù)的意思，這里的功能是將x變?yōu)?X4維的基陣a=c（7,5,1）;a[2]C函數(shù)的功能是組合，這里將3個數(shù)組合賦值給a,a[2]是5doe=list（name="john",age=28,married=F）doe是list,與向量的差別是可以由不同的變量組合doe$name;doe$ageR語言中，特殊符號＄的作用目前一百零四頁\總數(shù)一百一十一頁\編于十九點二、