Question

我想使用SNP基因型数据确定程序的插补精度，因此我需要屏蔽一部分SNP调用来模拟缺失的数据。

我一直在测试这个标记数据子集的代码（见下文）。列名是个人的名字。行名称是SNP ID。数据集包含缺失的数据（标记为NA）。

     SNPID       AR124 AR124 AR144 AR144
[1,] "S10_28619" "G"   "A"   "A"   "A"
[2,] "S10_33499" "A"   "A"   "G"   "G"
[3,] "S10_47747" "T"   "T"   NA    NA

我想使用10倍交叉验证来确定插补精度，因此我需要R来：

掩盖10％的已知 SNP共10次不同时间（即10轮掩蔽）。
每轮需要掩盖一组不同的SNP。
每个 SNP只应在这10轮中被屏蔽一次（例如，SNP S10_28619在整个10轮屏蔽中仅显示为“NA”一次）。

这是我一直在使用的代码：

##the function will return the marker matrix with an additional 10% missing data

CV10NA= function (input, seed, foldno) {#input is the SNP matrix, seed is the random number seed, fold number is a number indicating which cross validation fold you are on
set.seed(seed)
a = unlist(input)
b = is.na(a) #matrix b where TRUE indicates missing SNP and FALSE indicates known SNP 
pres = grep(FALSE, b) #finds cases of FALSE in matrix b and gives an integer vector containing the FALSEs' index numbers 
sets= sample(rep(1:10, c(length(pres)/10)), replace = FALSE) #repeat numbers 1 through 10 a total of length(pres)/10) times then randomly sample from values with no replacement 
a[which(sets==foldno)] = NA #find where sets==foldno in matrix a and replace it with NA
a = matrix(a, ncol = ncol(input))
return(a)
}

该函数似乎适用于foldno = 1到9，但在foldno = 10时不起作用。没有出现错误消息。注意：在执行函数之前，我删除了列和行名称，以防止函数将它们视为“可屏蔽”项。

这是foldno = 1,2,3和10的输出：

> CV10NA(beagle.subset, 1, 1)
     [,1] [,2] [,3] [,4]
[1,] "G"  "A"  "A"  NA  
[2,] "A"  "A"  "G"  "G"
[3,] "T"  "T"  NA   NA  

> CV10NA(beagle.subset, 1, 2)
     [,1] [,2] [,3] [,4]
[1,] "G"  "A"  "A"  "A"
[2,] "A"  NA   "G"  "G"
[3,] "T"  "T"  NA   NA

> CV10NA(beagle.subset, 1, 3)
     [,1] [,2] [,3] [,4]
[1,] NA   "A"  "A"  "A"
[2,] "A"  "A"  "G"  "G"
[3,] "T"  "T"  NA   NA

> CV10NA(beagle.subset, 1, 10)
     [,1] [,2] [,3] [,4]
[1,] "G"  "A"  "A"  "A"
[2,] "A"  "A"  "G"  "G"
[3,] "T"  "T"  NA   NA

foldno = 10不会屏蔽数据集中的任何SNP。

任何建议/反馈将不胜感激！我没有编程经验，所以请原谅我，如果我犯了一个明显的错误或者问一个“愚蠢”的问题。

其他尝试/想法：我尝试通过逐行运行来调试代码，但没有任何结果。我用另一个随机种子号运行代码，问题似乎不涉及我分配给foldno的值。无论foldno和种子数如何，矩阵[2,4]中的SNP都不会掩盖。

对于任何有兴趣的人，这是我用于屏蔽的修订代码：

CV10NA= function (input, seed, foldno) { 
set.seed(seed)
a = unlist(input)
b = is.na(a) 
pres = grep(FALSE, b)
pres = sample(pres)
sets= sample(rep(1:10, length(pres)/10), replace = FALSE)
a[pres[which(sets==foldno)]] = NA
a = matrix(a, ncol = ncol(input))
enter code here
return(a)
}

Answer 1

所以sets是数字1-10的排列，例如：

3  4  5  7  2  8  9  6 10  1

并且您想要找出等于折叠数的值的索引：

which(sets==foldno)

问题是，这只会返回1-10范围内的数字。因此，以下是beagle.subset中可能设置为NA的值：

> beagle.subset[1:10]
 [1] "G" "A" "T" "A" "A" "T" "A" "G" NA  "A"

注意其中一个已经NA！ beagle.subset[2,4]无法受到影响，因为它位于索引11处。相反，beagle.subset[3,3]将再次设置为NA。

我认为不是改组1-10，而是要改变非NA的索引。然后，您可以为每个值分配1-10，基本上将它们放入十个箱中。

pres = sample(pres)
bins = seq_along(pres) %% 10 + 1 
a[pres[bins == foldno]] = NA

模拟R中的缺失数据（即掩模数据）以测试插补精度

1 个答案: