实验2：R Markdown报告编写

创建可重复性基因表达分析报告

实验目标

完成本实验后，你将能够：

创建规范的R Markdown文档
掌握YAML元数据配置
灵活使用代码块选项
插入图表、表格、公式
生成多种格式的输出报告

实验时长：45分钟
实验类型：个人完成

实验准备

环境检查

在R中运行以下代码，确保环境就绪：

# 检查并安装必要包
packages <- c("rmarkdown", "knitr", "ggplot2", "dplyr", "DT")
for (pkg in packages) {
  if (!require(pkg, character.only = TRUE, quietly = TRUE)) {
    install.packages(pkg)
    library(pkg, character.only = TRUE)
  }
}

cat("✓ 环境检查完成！\n")

创建项目

打开RStudio
File → New Project → New Directory → New Project
目录名：lab2-rmarkdown
创建以下子目录：

lab2-rmarkdown/
├── data/           # 数据文件
├── figures/        # 输出图片
├── report.Rmd      # 主报告文件
└── output/         # 输出目录

第一部分：创建基础报告 (15分钟)

练习1.1：创建R Markdown文件

任务：创建一个新的R Markdown文档

点击菜单 File → New File → R Markdown
在弹出的对话框中填写：
- Title: TP53基因表达分析报告
- Author: 你的姓名
- Default Output Format: HTML
点击 OK
将文件保存为 report.Rmd

验证：文件创建成功后，RStudio会显示一个模板文档，包含YAML头部和示例内容。

练习1.2：配置YAML元数据

任务：修改文档的YAML头部，添加多格式输出支持

将文档开头的YAML替换为以下内容：

---
title: "TP53基因表达分析报告"
subtitle: "基于TCGA数据的肿瘤vs正常差异表达分析"
author: 
  - name: "你的姓名"
    affiliation: "中南大学 · 生物信息学专业"
date: "`r Sys.Date()`"
output: 
  html_document:
    toc: true
    toc_float: true
    code_folding: show
    number_sections: true
    theme: cerulean
    highlight: tango
  pdf_document:
    toc: true
    number_sections: true
  word_document:
    toc: true
---

要点说明： - toc: true 自动生成目录 - toc_float: true 目录浮动显示 - code_folding: show 代码可折叠 - theme 设置页面主题

练习1.3：编写文档结构

任务：在YAML后添加文档的主体结构

# 摘要

本文对TP53基因在肿瘤和正常组织中的表达差异进行了分析...

# 1. 简介

## 1.1 研究背景

TP53是重要的抑癌基因，编码p53蛋白...

## 1.2 分析目的

- 比较TP53在肿瘤和正常组织中的表达差异
- 可视化基因表达分布
- 进行统计显著性检验

# 2. 数据导入与预处理

# 3. 探索性数据分析

# 4. 结论与讨论

# 参考文献

第二部分：数据与代码 (15分钟)

练习2.1：数据导入与检查

任务：在”2. 数据导入与预处理”章节中添加代码，创建并检查TP53表达数据

要求： 1. 设置全局代码块选项 2. 加载ggplot2、dplyr、knitr包 3. 创建TP53表达数据框（模拟肿瘤vs正常样本） 4. 显示数据维度和前10行 5. 检查数据类型和缺失值 6. 显示基础统计摘要

点击查看参考答案

## 2.1 加载数据

```{r}
#| setup, include=FALSE
knitr::opts_chunk$set(
  echo = TRUE,
  message = FALSE,
  warning = FALSE,
  fig.width = 8,
  fig.height = 6
)

library(ggplot2)
library(dplyr)
library(knitr)

```{r}
#| label: create-data
# 创建模拟的TP53表达数据
set.seed(42)
n_tumor <- 50
n_normal <- 50

tp53_data <- data.frame(
  sample_id = paste0("S", 1:(n_tumor + n_normal)),
  group = c(rep("Tumor", n_tumor), rep("Normal", n_normal)),
  tp53_expression = c(
    rnorm(n_tumor, mean = 8.5, sd = 1.2),    # 肿瘤组表达较高
    rnorm(n_normal, mean = 5.2, sd = 0.8)     # 正常组表达较低
  ),
  age = sample(30:75, n_tumor + n_normal, replace = TRUE),
  gender = sample(c("M", "F"), n_tumor + n_normal, replace = TRUE)
)

# 查看数据维度
sprintf("数据集包含 %d 行, %d 列", nrow(tp53_data), ncol(tp53_data))

# 显示前几行
head(tp53_data, 10)
```

2.2 数据检查

```{r}
#| label: data-summary
# 数据类型检查
str(tp53_data)

# 缺失值检查
colSums(is.na(tp53_data))

# 基础统计
summary(tp53_data$tp53_expression)
```

</details>

---

### 练习2.2：代码块选项实践

**任务**：体验不同的代码块选项，在"2.3 代码块选项演示"章节中添加以下代码块：

1. **默认代码块**：显示代码和执行结果
2. **隐藏代码**：只显示结果，不显示代码（使用`echo=FALSE`）
3. **不执行代码**：显示代码但不执行（使用`eval=FALSE`）
4. **隐藏警告**：执行代码但隐藏警告信息（使用`warning=FALSE`）

<details>
<summary>点击查看参考答案</summary>

````markdown
## 2.3 代码块选项演示

### 显示代码和结果（默认）

```{r}
mean(tp53_data$tp53_expression)

只显示结果，隐藏代码

```{r}
#| echo: false
median(tp53_data$tp53_expression)
```

显示代码，不执行

```{r}
#| eval: false
# 这段代码不会执行
# 模拟DESeq2差异表达分析（耗时长）
dds <- DESeqDataSetFromMatrix(countData, colData, design = ~ condition)
dds <- DESeq(dds)
results <- results(dds)
```

不显示警告信息

```{r}
#| warning: false
# 可能产生警告的代码
library(tidyverse)
```

</details>

---

### 练习2.3：内联代码

**任务**：在文档适当位置（如摘要或简介章节）使用内联代码显示动态结果

**要求**使用内联代码显示以下信息：
- 数据集样本总数
- 肿瘤组样本数
- TP53表达的平均值和标准差
- 肿瘤组和正常组的平均表达量

<details>
<summary>点击查看参考答案</summary>

```markdown
数据集共包含 `r nrow(tp53_data)` 个样本，
其中肿瘤组有 `r sum(tp53_data$group == "Tumor")` 个，
正常组有 `r sum(tp53_data$group == "Normal")` 个。

TP53基因的整体平均表达量为 `r round(mean(tp53_data$tp53_expression), 2)`，
标准差为 `r round(sd(tp53_data$tp53_expression), 2)`。

肿瘤组的平均TP53表达为 `r round(mean(tp53_data$tp53_expression[tp53_data$group == "Tumor"]), 2)`，
正常组为 `r round(mean(tp53_data$tp53_expression[tp53_data$group == "Normal"]), 2)`。
```

**渲染效果**（示例）：

数据集共包含 100 个样本，其中肿瘤组有 50 个，正常组有 50 个。

TP53基因的整体平均表达量为 6.85，标准差为 1.92。

肿瘤组的平均TP53表达为 8.52，正常组为 5.18。
</details>

---

## 第三部分：图表与表格 (15分钟)

### 练习3.1：基础图形

**任务**：在"3. 探索性数据分析"章节中添加箱线图比较两组TP53表达

**要求**：
1. 使用基础graphics绘制箱线图
2. 添加标题和轴标签
3. 使用不同颜色区分两组

<details>
<summary>点击查看参考答案</summary>

````markdown
## 3.1 基础箱线图

```{r}
#| label: boxplot-basic
#| fig-cap: "TP53基因表达箱线图"
boxplot(tp53_expression ~ group, data = tp53_data,
        main = "TP53基因在肿瘤和正常组织中的表达",
        xlab = "样本类型",
        ylab = "TP53表达量 (log2)",
        col = c("lightblue", "lightcoral"),
        border = "darkblue")
```

练习3.2：ggplot2图形

任务：使用ggplot2创建更美观的可视化

要求： 1. 创建小提琴图+箱线图组合 2. 添加散点显示原始数据 3. 使用主题美化 4. 添加统计检验结果

点击查看参考答案

## 3.2 ggplot2高级可视化

```{r}
#| label: ggplot-violin
#| fig-cap: "TP53表达小提琴图"
library(ggplot2)

# 进行t检验
ttest_result <- t.test(tp53_expression ~ group, data = tp53_data)
p_value <- ttest_result$p.value

ggplot(tp53_data, aes(x = group, y = tp53_expression, fill = group)) +
  geom_violin(alpha = 0.5) +
  geom_boxplot(width = 0.2, alpha = 0.8) +
  geom_jitter(width = 0.2, alpha = 0.5, size = 2) +
  scale_fill_manual(values = c("Normal" = "#3498db", "Tumor" = "#e74c3c")) +
  labs(
    title = "TP53基因表达差异分析",
    subtitle = paste("t检验 p值 =", format(p_value, digits = 2, scientific = TRUE)),
    x = "样本类型",
    y = "TP53表达量 (log2)"
  ) +
  theme_minimal() +
  theme(legend.position = "none")
```

练习3.3：创建表格

任务：使用knitr::kable()创建统计汇总表

要求： 1. 按组计算统计量（均值、标准差、中位数） 2. 使用kable()创建美观表格 3. 添加表格标题

点击查看参考答案

## 3.3 统计汇总表

```{r}
#| label: summary-table
# 按组计算统计量
summary_stats <- tp53_data %>%
  group_by(group) %>%
  summarise(
    n = n(),
    mean = round(mean(tp53_expression), 2),
    sd = round(sd(tp53_expression), 2),
    median = round(median(tp53_expression), 2),
    min = round(min(tp53_expression), 2),
    max = round(max(tp53_expression), 2)
  )

# 创建表格
knitr::kable(
  summary_stats,
  caption = "TP53基因表达统计汇总",
  col.names = c("组别", "样本数", "均值", "标准差", "中位数", "最小值", "最大值"),
  align = c('l', 'c', 'c', 'c', 'c', 'c', 'c')
)
```

第四部分：统计分析与结论 (10分钟)

练习4.1：差异表达检验

任务：进行t检验并报告结果

要求： 1. 使用t.test()进行两组比较 2. 提取并显示关键统计量 3. 使用内联代码在正文中报告结果

点击查看参考答案

## 4.1 统计检验

```{r}
#| label: t-test
# 进行独立样本t检验
ttest_result <- t.test(tp53_expression ~ group, data = tp53_data)

# 显示完整结果
ttest_result

# 提取关键统计量
cat("\n关键统计量:\n")
cat("t值:", round(ttest_result$statistic, 3), "\n")
cat("自由度:", ttest_result$parameter, "\n")
cat("p值:", format(ttest_result$p.value, digits = 2, scientific = TRUE), "\n")
cat("95%置信区间:", round(ttest_result$conf.int[1], 3), "to", 
    round(ttest_result$conf.int[2], 3), "\n")
```

在正文中报告结果：

> 独立样本t检验结果显示，TP53基因在肿瘤组的表达显著高于正常组
> (t(`r ttest_result$parameter`) = `r round(ttest_result$statistic, 2)`,
> p `r ifelse(ttest_result$p.value < 0.001, "< 0.001", paste("=", round(ttest_result$p.value, 3)))`)，
> 均数差值为 `r round(diff(ttest_result$estimate), 2)`。

练习4.2：撰写结论

任务：在”4. 结论与讨论”章节中撰写分析结论

参考模板：

# 4. 结论与讨论

## 4.1 主要发现

本研究分析了TP53基因在`r sum(tp53_data$group == "Tumor")`例肿瘤样本和
`r sum(tp53_data$group == "Normal")`例正常样本中的表达差异。

主要发现包括：

1. **表达差异**：肿瘤组TP53平均表达量为 `r round(mean(tp53_data$tp53_expression[tp53_data$group == "Tumor"]), 2)`，
   显著高于正常组的 `r round(mean(tp53_data$tp53_expression[tp53_data$group == "Normal"]), 2)`。

2. **统计显著性**：t检验结果显示两组差异具有统计学意义
   (p `r ifelse(ttest_result$p.value < 0.001, "< 0.001", paste("=", round(ttest_result$p.value, 3)))`)。

3. **生物学意义**：TP53作为抑癌基因，其在肿瘤中的高表达可能反映了...

## 4.2 研究局限

- 样本量相对较小
- 为模拟数据，非真实临床数据
- 未考虑其他临床因素的影响

## 4.3 后续方向

- 扩大样本量进行验证
- 结合其他基因进行通路分析
- 探索TP53表达与预后的关系

第五部分：多格式输出 (5分钟)

练习5.1：生成不同格式

任务：测试生成HTML、PDF和Word三种格式

HTML：点击 Knit → Knit to HTML
PDF：点击 Knit → Knit to PDF（需安装tinytex）
Word：点击 Knit → Knit to Word

练习5.2：参数化报告（进阶）

任务：添加参数使报告可复用于不同基因

在YAML中添加：

params:
  gene_name: "TP53"
  fc_threshold: 2
  pvalue_threshold: 0.05

在代码中使用参数：

```{r}
cat("分析基因:", params$gene_name, "\n")
cat("差异倍数阈值:", params$fc_threshold, "\n")
cat("p值阈值:", params$pvalue_threshold, "\n")
```

实验总结

常见问题

Q1: 中文显示乱码？ 确保文件保存为UTF-8编码，或在YAML中添加：

encoding: UTF-8

Q2: PDF生成失败？ 安装tinytex：

install.packages("tinytex")
tinytex::install_tinytex()

Q3: 图表不显示？ 检查代码块选项，确保没有eval=FALSE或include=FALSE

课后作业

完善本实验的报告，添加更多可视化（如相关性热图）
尝试分析另一个基因（如BRCA1、EGFR）
阅读 R Markdown Cookbook
准备一份自己的基因表达分析报告

参考资源

联系信息

授课教师：王诗翔副教授
单位：中南大学 · 生物医学信息系
实验室主页：https://wanglabcsu.github.io/
邮箱：wangshx@csu.edu.cn
GitHub：https://github.com/WangLabCSU

--- title: "实验2：R Markdown报告编写" subtitle: "创建可重复性基因表达分析报告" --- ## 实验目标完成本实验后，你将能够： 1. 创建规范的R Markdown文档 2. 掌握YAML元数据配置 3. 灵活使用代码块选项 4. 插入图表、表格、公式 5. 生成多种格式的输出报告 **实验时长**：45分钟 **实验类型**：个人完成 --- ## 实验准备 ### 环境检查在R中运行以下代码，确保环境就绪： ```r # 检查并安装必要包 packages <- c("rmarkdown", "knitr", "ggplot2", "dplyr", "DT") for (pkg in packages) { if (!require(pkg, character.only = TRUE, quietly = TRUE)) { install.packages(pkg) library(pkg, character.only = TRUE) } } cat("✓ 环境检查完成！\n") ``` ### 创建项目 1. 打开RStudio 2. `File → New Project → New Directory → New Project` 3. 目录名：`lab2-rmarkdown` 4. 创建以下子目录： ``` lab2-rmarkdown/ ├── data/ # 数据文件 ├── figures/ # 输出图片 ├── report.Rmd # 主报告文件 └── output/ # 输出目录 ``` --- ## 第一部分：创建基础报告 (15分钟) ### 练习1.1：创建R Markdown文件 **任务**：创建一个新的R Markdown文档 1. 点击菜单 `File → New File → R Markdown` 2. 在弹出的对话框中填写： - **Title**: `TP53基因表达分析报告` - **Author**: 你的姓名 - **Default Output Format**: HTML 3. 点击 OK 4. 将文件保存为 `report.Rmd` **验证**：文件创建成功后，RStudio会显示一个模板文档，包含YAML头部和示例内容。 --- ### 练习1.2：配置YAML元数据 **任务**：修改文档的YAML头部，添加多格式输出支持将文档开头的YAML替换为以下内容： ```yaml --- title: "TP53基因表达分析报告" subtitle: "基于TCGA数据的肿瘤vs正常差异表达分析" author: - name: "你的姓名" affiliation: "中南大学 · 生物信息学专业" date: "`r Sys.Date()`" output: html_document: toc: true toc_float: true code_folding: show number_sections: true theme: cerulean highlight: tango pdf_document: toc: true number_sections: true word_document: toc: true --- ``` **要点说明**： - `toc: true` 自动生成目录 - `toc_float: true` 目录浮动显示 - `code_folding: show` 代码可折叠 - `theme` 设置页面主题 --- ### 练习1.3：编写文档结构 **任务**：在YAML后添加文档的主体结构 ```markdown # 摘要本文对TP53基因在肿瘤和正常组织中的表达差异进行了分析... # 1. 简介 ## 1.1 研究背景 TP53是重要的抑癌基因，编码p53蛋白... ## 1.2 分析目的 - 比较TP53在肿瘤和正常组织中的表达差异 - 可视化基因表达分布 - 进行统计显著性检验 # 2. 数据导入与预处理 # 3. 探索性数据分析 # 4. 结论与讨论 # 参考文献 ``` --- ## 第二部分：数据与代码 (15分钟) ### 练习2.1：数据导入与检查 **任务**：在"2. 数据导入与预处理"章节中添加代码，创建并检查TP53表达数据 **要求**： 1. 设置全局代码块选项 2. 加载ggplot2、dplyr、knitr包 3. 创建TP53表达数据框（模拟肿瘤vs正常样本） 4. 显示数据维度和前10行 5. 检查数据类型和缺失值 6. 显示基础统计摘要 <details> <summary>点击查看参考答案</summary> ```markdown ## 2.1 加载数据 ```{r} #| setup, include=FALSE knitr::opts_chunk$set( echo = TRUE, message = FALSE, warning = FALSE, fig.width = 8, fig.height = 6 ) library(ggplot2) library(dplyr) library(knitr) ``` ```{r} #| label: create-data # 创建模拟的TP53表达数据 set.seed(42) n_tumor <- 50 n_normal <- 50 tp53_data <- data.frame( sample_id = paste0("S", 1:(n_tumor + n_normal)), group = c(rep("Tumor", n_tumor), rep("Normal", n_normal)), tp53_expression = c( rnorm(n_tumor, mean = 8.5, sd = 1.2), # 肿瘤组表达较高 rnorm(n_normal, mean = 5.2, sd = 0.8) # 正常组表达较低 ), age = sample(30:75, n_tumor + n_normal, replace = TRUE), gender = sample(c("M", "F"), n_tumor + n_normal, replace = TRUE) ) # 查看数据维度 sprintf("数据集包含 %d 行, %d 列", nrow(tp53_data), ncol(tp53_data)) # 显示前几行 head(tp53_data, 10) ``` ## 2.2 数据检查 ```{r} #| label: data-summary # 数据类型检查 str(tp53_data) # 缺失值检查 colSums(is.na(tp53_data)) # 基础统计 summary(tp53_data$tp53_expression) ``` ``` </details> --- ### 练习2.2：代码块选项实践 **任务**：体验不同的代码块选项，在"2.3 代码块选项演示"章节中添加以下代码块： 1. **默认代码块**：显示代码和执行结果 2. **隐藏代码**：只显示结果，不显示代码（使用`echo=FALSE`） 3. **不执行代码**：显示代码但不执行（使用`eval=FALSE`） 4. **隐藏警告**：执行代码但隐藏警告信息（使用`warning=FALSE`） <details> <summary>点击查看参考答案</summary> ````markdown ## 2.3 代码块选项演示 ### 显示代码和结果（默认） ```{r} mean(tp53_data$tp53_expression) ``` ### 只显示结果，隐藏代码 ```{r} #| echo: false median(tp53_data$tp53_expression) ``` ### 显示代码，不执行 ```{r} #| eval: false # 这段代码不会执行 # 模拟DESeq2差异表达分析（耗时长） dds <- DESeqDataSetFromMatrix(countData, colData, design = ~ condition) dds <- DESeq(dds) results <- results(dds) ``` ### 不显示警告信息 ```{r} #| warning: false # 可能产生警告的代码 library(tidyverse) ``` ```` </details> --- ### 练习2.3：内联代码 **任务**：在文档适当位置（如摘要或简介章节）使用内联代码显示动态结果 **要求**使用内联代码显示以下信息： - 数据集样本总数 - 肿瘤组样本数 - TP53表达的平均值和标准差 - 肿瘤组和正常组的平均表达量 <details> <summary>点击查看参考答案</summary> ```markdown 数据集共包含 `r nrow(tp53_data)` 个样本，其中肿瘤组有 `r sum(tp53_data$group == "Tumor")` 个，正常组有 `r sum(tp53_data$group == "Normal")` 个。 TP53基因的整体平均表达量为 `r round(mean(tp53_data$tp53_expression), 2)`，标准差为 `r round(sd(tp53_data$tp53_expression), 2)`。肿瘤组的平均TP53表达为 `r round(mean(tp53_data$tp53_expression[tp53_data$group == "Tumor"]), 2)`，正常组为 `r round(mean(tp53_data$tp53_expression[tp53_data$group == "Normal"]), 2)`。 ``` **渲染效果**（示例）：数据集共包含 100 个样本，其中肿瘤组有 50 个，正常组有 50 个。 TP53基因的整体平均表达量为 6.85，标准差为 1.92。肿瘤组的平均TP53表达为 8.52，正常组为 5.18。 </details> --- ## 第三部分：图表与表格 (15分钟) ### 练习3.1：基础图形 **任务**：在"3. 探索性数据分析"章节中添加箱线图比较两组TP53表达 **要求**： 1. 使用基础graphics绘制箱线图 2. 添加标题和轴标签 3. 使用不同颜色区分两组 <details> <summary>点击查看参考答案</summary> ````markdown ## 3.1 基础箱线图 ```{r} #| label: boxplot-basic #| fig-cap: "TP53基因表达箱线图" boxplot(tp53_expression ~ group, data = tp53_data, main = "TP53基因在肿瘤和正常组织中的表达", xlab = "样本类型", ylab = "TP53表达量 (log2)", col = c("lightblue", "lightcoral"), border = "darkblue") ``` ```` </details> --- ### 练习3.2：ggplot2图形 **任务**：使用ggplot2创建更美观的可视化 **要求**： 1. 创建小提琴图+箱线图组合 2. 添加散点显示原始数据 3. 使用主题美化 4. 添加统计检验结果 <details> <summary>点击查看参考答案</summary> ````markdown ## 3.2 ggplot2高级可视化 ```{r} #| label: ggplot-violin #| fig-cap: "TP53表达小提琴图" library(ggplot2) # 进行t检验 ttest_result <- t.test(tp53_expression ~ group, data = tp53_data) p_value <- ttest_result$p.value ggplot(tp53_data, aes(x = group, y = tp53_expression, fill = group)) + geom_violin(alpha = 0.5) + geom_boxplot(width = 0.2, alpha = 0.8) + geom_jitter(width = 0.2, alpha = 0.5, size = 2) + scale_fill_manual(values = c("Normal" = "#3498db", "Tumor" = "#e74c3c")) + labs( title = "TP53基因表达差异分析", subtitle = paste("t检验 p值 =", format(p_value, digits = 2, scientific = TRUE)), x = "样本类型", y = "TP53表达量 (log2)" ) + theme_minimal() + theme(legend.position = "none") ``` ```` </details> --- ### 练习3.3：创建表格 **任务**：使用knitr::kable()创建统计汇总表 **要求**： 1. 按组计算统计量（均值、标准差、中位数） 2. 使用kable()创建美观表格 3. 添加表格标题 <details> <summary>点击查看参考答案</summary> ````markdown ## 3.3 统计汇总表 ```{r} #| label: summary-table # 按组计算统计量 summary_stats <- tp53_data %>% group_by(group) %>% summarise( n = n(), mean = round(mean(tp53_expression), 2), sd = round(sd(tp53_expression), 2), median = round(median(tp53_expression), 2), min = round(min(tp53_expression), 2), max = round(max(tp53_expression), 2) ) # 创建表格 knitr::kable( summary_stats, caption = "TP53基因表达统计汇总", col.names = c("组别", "样本数", "均值", "标准差", "中位数", "最小值", "最大值"), align = c('l', 'c', 'c', 'c', 'c', 'c', 'c') ) ``` ```` </details> --- ## 第四部分：统计分析与结论 (10分钟) ### 练习4.1：差异表达检验 **任务**：进行t检验并报告结果 **要求**： 1. 使用t.test()进行两组比较 2. 提取并显示关键统计量 3. 使用内联代码在正文中报告结果 <details> <summary>点击查看参考答案</summary> ````markdown ## 4.1 统计检验 ```{r} #| label: t-test # 进行独立样本t检验 ttest_result <- t.test(tp53_expression ~ group, data = tp53_data) # 显示完整结果 ttest_result # 提取关键统计量 cat("\n关键统计量:\n") cat("t值:", round(ttest_result$statistic, 3), "\n") cat("自由度:", ttest_result$parameter, "\n") cat("p值:", format(ttest_result$p.value, digits = 2, scientific = TRUE), "\n") cat("95%置信区间:", round(ttest_result$conf.int[1], 3), "to", round(ttest_result$conf.int[2], 3), "\n") ``` 在正文中报告结果： > 独立样本t检验结果显示，TP53基因在肿瘤组的表达显著高于正常组 > (t(`r ttest_result$parameter`) = `r round(ttest_result$statistic, 2)`, > p `r ifelse(ttest_result$p.value < 0.001, "< 0.001", paste("=", round(ttest_result$p.value, 3)))`)， > 均数差值为 `r round(diff(ttest_result$estimate), 2)`。 ```` </details> --- ### 练习4.2：撰写结论 **任务**：在"4. 结论与讨论"章节中撰写分析结论 **参考模板**： ```markdown # 4. 结论与讨论 ## 4.1 主要发现本研究分析了TP53基因在`r sum(tp53_data$group == "Tumor")`例肿瘤样本和 `r sum(tp53_data$group == "Normal")`例正常样本中的表达差异。主要发现包括： 1. **表达差异**：肿瘤组TP53平均表达量为 `r round(mean(tp53_data$tp53_expression[tp53_data$group == "Tumor"]), 2)`，显著高于正常组的 `r round(mean(tp53_data$tp53_expression[tp53_data$group == "Normal"]), 2)`。 2. **统计显著性**：t检验结果显示两组差异具有统计学意义 (p `r ifelse(ttest_result$p.value < 0.001, "< 0.001", paste("=", round(ttest_result$p.value, 3)))`)。 3. **生物学意义**：TP53作为抑癌基因，其在肿瘤中的高表达可能反映了... ## 4.2 研究局限 - 样本量相对较小 - 为模拟数据，非真实临床数据 - 未考虑其他临床因素的影响 ## 4.3 后续方向 - 扩大样本量进行验证 - 结合其他基因进行通路分析 - 探索TP53表达与预后的关系 ``` --- ## 第五部分：多格式输出 (5分钟) ### 练习5.1：生成不同格式 **任务**：测试生成HTML、PDF和Word三种格式 1. **HTML**：点击 Knit → Knit to HTML 2. **PDF**：点击 Knit → Knit to PDF（需安装tinytex） 3. **Word**：点击 Knit → Knit to Word ### 练习5.2：参数化报告（进阶） **任务**：添加参数使报告可复用于不同基因在YAML中添加： ```yaml params: gene_name: "TP53" fc_threshold: 2 pvalue_threshold: 0.05 ``` 在代码中使用参数： ````markdown ```{r} cat("分析基因:", params$gene_name, "\n") cat("差异倍数阈值:", params$fc_threshold, "\n") cat("p值阈值:", params$pvalue_threshold, "\n") ``` ```` --- ## 实验总结 ### 关键技能清单 - [ ] 创建R Markdown文档 - [ ] 配置YAML元数据 - [ ] 使用代码块选项控制输出 - [ ] 使用内联代码动态更新内容 - [ ] 创建ggplot2可视化 - [ ] 生成统计表格 - [ ] 生成多格式报告 ### 常见问题 **Q1: 中文显示乱码？** 确保文件保存为UTF-8编码，或在YAML中添加： ```yaml encoding: UTF-8 ``` **Q2: PDF生成失败？** 安装tinytex： ```r install.packages("tinytex") tinytex::install_tinytex() ``` **Q3: 图表不显示？** 检查代码块选项，确保没有`eval=FALSE`或`include=FALSE` --- ## 课后作业 1. 完善本实验的报告，添加更多可视化（如相关性热图） 2. 尝试分析另一个基因（如BRCA1、EGFR） 3. 阅读 [R Markdown Cookbook](https://bookdown.org/yihui/rmarkdown-cookbook/) 4. 准备一份自己的基因表达分析报告 --- ## 参考资源 - [R Markdown官方文档](https://rmarkdown.rstudio.com/) - [R Markdown Cookbook](https://bookdown.org/yihui/rmarkdown-cookbook/) - [ggplot2文档](https://ggplot2.tidyverse.org/) - [knitr文档](https://yihui.org/knitr/) --- ## 联系信息 - 授课教师：王诗翔副教授 - 单位：中南大学 · 生物医学信息系 - 实验室主页：https://wanglabcsu.github.io/ - 邮箱：wangshx@csu.edu.cn - GitHub：https://github.com/WangLabCSU