cdiener

Como instalar Python y Jupyter

Para las siguientes clases vamos a usar Python como nuestro lenguaje de programación preferido. En particular, vamos a usar la versión 3 de Python y las libretas de Jupyter. Para ya tener una instalación funcional en la clase, aquí hay unas pistas para la instalación. Para la instalación en Windows y Mac vamos a usar la versión de Anaconda mientras que para Linux usamos la versión nativa de Python.

Para Windows

cdiener

Instalación de Docker

Lo primero que tienes que saber sobre la instalación de docker es que para Mac y windows hay dos versiones de docker:

1. una versión legacy que usa maquinas virtuales (VM) para correr docker adentro de una maquina virtual.
2. una versión nativa que usa una capa de compatibilidad (HyperKit + Hypervisor en Mac y Hyper-V en Windows) para correr docker directamente con el kernel nativo

La versión nativa (opción 2) tiene menos overhead y corre más rapido pero pone mas restricciones a su OS. Por el momento yo recomiendo que usan esta versión en Mac y Linux y la version legacy (opcion 1) en Windows.

cdiener

library(data.table)
library(ggplot2)
library(magrittr)
library(pbapply)

large <- fread("ERR260132_genes.csv")

#' Sample a rarefied version of a count vector.
#'
#' @param x A named vector of counts.

cdiener

{
    "workbench.colorTheme": "Sublime Material Theme - Dark",
    "workbench.iconTheme": "material-icon-theme",
    "editor.fontFamily": "'Fira Mono', monospace",
    "editor.fontSize": 17,
    "editor.rulers": [80],
    "window.zoomLevel": 0,
    "window.menuBarVisibility": "toggle",

    // Settings for Python

cdiener

import json
import pandas as pd
from sys import argv, exit


def benchmark_to_df(json_file):
    with open(json_file) as jf:
        content = json.load(jf)
        df = pd.DataFrame(columns=("test", "time [ms]"))
        for b in content["benchmarks"]:

cdiener

ES <- function(p, w, pws, both=FALSE) {
    n <- length(pws)
    nr <- sum(abs(w[pws == p]))
    nh <- sum(pws == p)

    scores <- vector(length=n)
    scores[pws == p] <- abs(w[pws == p])/nr
    scores[pws != p] <- -1/(n - nh)
    r <- range(cumsum(scores))
    i <- which.max(abs(r))

cdiener

#/usr/bin/env python

from cobra.test import create_test_model
from cobra.flux_analysis import single_gene_deletion

cobra_model = create_test_model("textbook")
dels = {"b0008": 0.87, "b0114": 0.71, "b0116": 0.56, "b2276": 0.11, "b1779": 0.00}

rates, statuses = single_gene_deletion(cobra_model, gene_list=dels.keys(),
    method="moma", solver="mosek")

cdiener

Rcpp::sourceCpp("matrix_reduce.cpp")

#' Reduces an ExpressionSet by an n-to-n map of features to groups. All entries
#' in \code{features} must exist in \code{eset}. \code{features} and 
#' \code{groups} must have the same length.
#'
#' @param eset An ExpressionSet object.
#' @param features A character vector of features to be grouped.
#' @param groups A factor or character vector mapping the entries in 
#'  \code{features} to groups.

cdiener

# Caching operator executes command if there is no saved version of the data
# just delete the saved file and code will be run again

'%c%' = function(ex, file) if(file.exists(file), env=parent.frame(4)) load(file) else evalq(ex))

# Example

# first execution
{ x <- rnorm(1e6); save(x, file="cache.Rd") } %c% "cache.Rd" # executes the sampling

cdiener

library(scales)
library(Hmisc)


emsa_plot = ggplot(emsa, aes(x=Name, y=intensity, shape=charge_ratio, col=charge_ratio, width=0.8)) + 
      geom_point(size=3, position=position_dodge(width=0.8)) +  
      stat_summary(fun.data=mean_sdl, mult=0, color="black", geom="errorbar", size=1, position=position_dodge(width=0.8)) +
      scale_color_grey(start=0, end=0.5,name="charge ratio") +
      scale_shape(name="charge ratio") +  
      scale_y_continuous(limits=c(-0.05,1), breaks=seq(0,1,by=0.2), label=percent) +