| DeLorean-package | “德洛林”套餐。 | ||
| adjust.by.cell.sizes | 根据估计的单元格大小调整表达式。 | ||
| alpha.for.rug | 为给定点数的地毯图计算合适的值 | ||
| analyse.noise.levels | 分析噪声水平并评估哪些基因的时间方差与噪声的比率最大。这被称为基因高psi“基因。 | ||
| analyse.variance | 分析捕获时间之间和捕获时间内的表达差异。 | ||
| anders.huber.cell.sizes | 根据Anders& Huber序列计数数据的差异表达分析估计细胞大小 | ||
| aov.dl | 进行方差分析，为DeLorean模型选择基因。 | ||
| avg.par.samples | 各参数样本的平均值。 | ||
| calc.inducing.pseudotimes | 计算稀疏逼近的诱导伪时间 | ||
| calc.roughness | 计算矢量的粗糙度。粗糙度是连续点之间差值的均方根值。 | ||
| centralise | 通过移动n*period将周期位置集中到$period/2，period）中，其中n是整数 | ||
| cmp.profiles.plot | 绘制几组剖面图的比较图德洛伦物体 | ||
| cov.all.genes.conditioned | 计算所有基因的协方差，条件是数据在估计的伪时间。 | ||
| cov.calc.dists | 计算时间点向量之间的距离 | ||
| cov.calc.dl.dists | 在估计的伪时间和测试输入上计算距离。 | ||
| cov.calc.gene | 计算伪时间和测试输入上基因的协方差结构。 | ||
| cov.calc.gene.conditioned | 当以估计伪时间的数据为条件时，计算基因过度测试输入的协方差。 | ||
| cov.matern.32 | 主3/2协方差函数 | ||
| cov.periodise | 使距离具有周期性 | ||
| create.ordering.ll.fn | 计算均匀分布tau的协方差结构，并创建一个计算排序对数似然的函数。 | ||
| de.lorean | 初始化DeLorean对象 | ||
| de.lorean.stylesheet | R标记样式表的文件名 | ||
| default.num.cores | 要使用的默认核心数。 | ||
| DeLorean | “德洛林”套餐。 | ||
| dim.de.lorean | 德洛林物体的尺寸 | ||
| estimate.cell.sizes | 估计单元格大小。我们只考虑在一定比例的细胞中表达的基因。 | ||
| estimate.hyper | 利用经验贝叶斯估计模型的超参数。 | ||
| examine.convergence | 分析样本并收集收敛统计量。注：这只有在使用抽样方法来拟合模型而不是变分贝叶斯时才有意义。 | ||
| expected.sample.var | 具有给定协方差的高斯函数的期望样本内方差。 | ||
| expr.data.plot | 按捕获点绘制表达式数据 | ||
| filter_cells | 滤池 | ||
| filter_genes | 过滤基因 | ||
| find.best.tau | 通过从先验数据中抽取tau并对其他参数进行经验Bayes参数估计，找到最佳tau来初始化链。 | ||
| find.good.ordering | 运行find good排序方法并将结果附加到现有排序 | ||
| find.smooth.tau | 找到样本的最佳顺序，假设在这个顺序上的表达式配置文件上有一些光滑的GP。 | ||
| fit.dl | 执行适合模型所需的所有步骤：1。准备数据2。找到合适的初始化3。使用指定的方法（抽样或变分贝叶斯）4拟合模型。后突 | ||
| fit.held.out | 合适的基因 | ||
| fit.model | 使用指定的方法（抽样或变分贝叶斯）拟合模型。 | ||
| fit.model.sample | 使用Stan采样器拟合模型 | ||
| fit.model.vb | 用Stan变分Bayes拟合模型 | ||
| gaussian.condition | 一个高斯条件对另一个高斯条件。见等式。A、 6在拉斯穆森和威廉姆斯的书的200页。 | ||
| gene.covariances | 计算tau的协方差结构 | ||
| get.posterior.mean | 得到样本的后验平均值 | ||
| get_model | 得到德洛林物体的斯坦模型。 | ||
| gp.log.marg.like | 对数边际似然。参见Rasmussen和Williams著作第19页的“2.3改变超参数”。 | ||
| gp.predict | GP的预测均值、方差和对数边际似然。参见Rasmussen和Williams著作第19页的“2.3改变超参数”。 | ||
| gp.predictions.df | 转换输出总成预测（）变成数据框. | ||
| guo.cell.meta | 来自Guo等人（2012）的单细胞表达数据和元数据。他们研究了500个小鼠胚胎细胞中48个基因的表达。 | ||
| guo.expr | 来自Guo等人（2012）的单细胞表达数据和元数据。他们研究了500个小鼠胚胎细胞中48个基因的表达。 | ||
| guo.gene.meta | 来自Guo等人（2012）的单细胞表达数据和元数据。他们研究了500个小鼠胚胎细胞中48个基因的表达。 | ||
| held.out.melt | 融化了基因 | ||
| held.out.posterior | 计算后验协方差和估计参数举行基因给定伪时间估计德洛林模型。 | ||
| held.out.posterior.by.variation | 根据基因后验均值的变化对基因进行排序 | ||
| held.out.posterior.filter | 过滤基因 | ||
| held.out.posterior.join | 与另一个数据帧连接。用于添加基因名称等。。 | ||
| held.out.select.genes | 用方差最大的基因来选择保持不变的基因 | ||
| inducing.covariance | 计算诱导点的协方差结构 | ||
| init.orderings.vs.pseudotimes.plot | 根据估计的伪时间绘制初始化顺序。 | ||
| is.de.lorean | 是德洛林天体吗？ | ||
| knit.report | 编制报告，文件说明/风险管理部/.Rmd必须存在于包目录中。 | ||
| kouno.cell.meta | Kouno等人研究了控制THP-1人髓系单核细胞白血病细胞分化为巨噬细胞的转录网络。他们提供了在8个不同时间点捕获的960个单细胞中45个基因的表达值。 | ||
| kouno.expr | Kouno等人研究了控制THP-1人髓系单核细胞白血病细胞分化为巨噬细胞的转录网络。他们提供了在8个不同时间点捕获的960个单细胞中45个基因的表达值。 | ||
| kouno.gene.meta | Kouno等人研究了控制THP-1人髓系单核细胞白血病细胞分化为巨噬细胞的转录网络。他们提供了在8个不同时间点捕获的960个单细胞中45个基因的表达值。 | ||
| make.fit.valid | 通过运行采样器的一次迭代使拟合有效。 | ||
| make.init.fn | 返回构造具有良好tau的参数设置的函数。 | ||
| make.predictions | 作出预测 | ||
| marg.like.plot | 个别基因表达谱边缘对数可能性的后验图 | ||
| melt.expr | 融化一个表达式矩阵。 | ||
| mutate.profile.data | 将轮廓数据变换成与GP绘图功能兼容的形状 | ||
| optimise.best.sample | 优化最佳样本并更新最佳样品索引。 | ||
| ordering.block.move | 在订单中移动块，并移动其他项目。 | ||
| ordering.improve | 在某些功能最大化的意义上改进排序。 | ||
| ordering.invert | 颠倒顺序 | ||
| ordering.is.valid | 检查它是否有效 | ||
| ordering.maximise | 在某些函数局部最大化的意义上找到一个好的排序。 | ||
| ordering.metropolis.hastings | 大都会黑斯廷斯的订单。 | ||
| ordering.move | 移动订单中的一个项目并移动其他项目。 | ||
| ordering.random.block.move | 将排序中的块随机移动到另一个位置 | ||
| ordering.random.move | 随机将订单中的一个项目移动到另一个位置 | ||
| ordering.test.score | 测试顺序分数：每次连续项目按顺序排列时的总和。 | ||
| orderings.plot | 根据生成订单所用的时间绘制订单的可能性 | ||
| partition.de.lorean | 隔板德洛伦按单元格列出的对象 | ||
| permute.df | 排列数据帧，如果组.col它应该命名排列顺序应该遵循的有序因子。 | ||
| permuted.roughness | 排列细胞并检测表达的粗糙度。 | ||
| plot.add.expr | 将表达式数据添加到绘图 | ||
| plot.add.mean.and.variance | 向绘图添加后验表示。 | ||
| plot.de.lorean | 各种德洛林天体图 | ||
| plot.held.out.posterior | 绘制被保留基因的后部 | ||
| prepare.for.stan | 为斯坦做准备 | ||
| print.de.lorean | 打印DeLorean对象的详细信息 | ||
| process.posterior | 后处理，即从Stan中提取样本并重新格式化。我们还确定哪个样本的可能性最大，这被称为“最佳”样本。 | ||
| profiles.plot | 绘制最佳样本预测表达式。 | ||
| pseudotime.plot | 根据观察到的捕获时间绘制伪时间（tau）。 | ||
| pseudotimes.from.orderings | 将最佳排序转换为初始化 | ||
| pseudotimes.pair.plot | 绘制两组伪时间。 | ||
| report.file | R markdown报告的文件名。 | ||
| Rhat.plot | 绘制Rhat收敛统计图检查.收敛'必须在绘制此绘图之前调用。 | ||
| roughness.of.permutations | 基于排列的粗糙度检验在基因保持中的应用 | ||
| roughness.of.sample | 计算给定样本的伸出基因的粗糙度。 | ||
| roughness.test | 计算拟合样本和随机排列下的粗糙度 | ||
| roughnesses.plot | 绘制粗糙度试验结果 | ||
| seriation.find.orderings | 使用系列化软件包查找好的订单 | ||
| tau.offsets.plot | 绘制tau偏移，即伪时间（tau）在整个后验曲线上与先前平均值的差异。 | ||
| test.fit | 对数正态和伽马射线的测试拟合 | ||
| test.mh | 测试订购大都会黑斯廷斯采样器。 | ||
| test.robustness.de.lorean | 子集合伪时间估计的稳健性检验德洛伦对象 | ||
| windram.cell.meta | Windram等人研究了拟南芥对坏死营养型真菌病原菌灰霉病菌的防御反应。他们在两种情况下的24个时间点收集了30336个基因的数据。 | ||
| windram.expr | Windram等人研究了拟南芥对坏死营养型真菌病原菌灰霉病菌的防御反应。他们在两种情况下的24个时间点收集了30336个基因的数据。 | ||
| windram.gene.meta | Windram等人研究了拟南芥对坏死营养型真菌病原菌灰霉病菌的防御反应。他们在两种情况下的24个时间点收集了30336个基因的数据。 |