Discussion :

[mathias frontini]

Bonjour
J'ai à ma disposition une matrice de corrélation de dimension 34 000*34 000, correspondant à la co-expression de gènes chez la tomate. J'ai pour objectif d'extraire les corrélations les plus intéressantes pour moi (>0.8),et de les placer dans un tableau que je pourrais transférer dans un logiciel de visualisation graphique (cytoscape). Ce tableau comprendrait 3 colonnes: GENE1,CORRELATION,GENE2

Pour ce faire, j'ai créé un script avec une boucle for qui semble fonctionner sur une petite matrice que j'ai créée pour le tester. Hélas quand je lance mon script sur le cluster de mon laboratoire avec la grande matrice, cela prend beaucoup trop de temps (3 jours de run, et ça n'est toujours pas fini). J'ai pensé à utiliser apply mais je ne sais pas comment l'appliquer à mon cas, car il me semble que apply applique une fonction sur toute la matrice, alors que dans mon cas seule la moitié de la matrice m'intéresse (il s'agit d'une matrice symétrique).
Quelqu'un peut-il m'aider à réduire ce temps d'attente ?

Merci d'avance

Voici le script que j'ai utilisé pour générer ma matrice d'exemple (26*26, symétrique, et avec les diagonales=0)

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
#matrice 26,26 avec nombre entre -1 et 1, avec 1 sur les diagonales (exemple de matrice de corrélation )
m=matrix(runif(26*26, min=-1, max=1), ncol=26,nrow=26)
row.names(m)=paste(letters)
colnames(m)=paste(letters)
diag(m)=0
m=forceSymmetric(m)
m=as.matrix(m)

m=as.data.frame(m)
GENE1=vector()
GENE2=vector()
CORRELATION=vector()
y=nrow(m)
m=data.frame(m)
for (i in 1:y) {
  for (j in i:y){
      m=as.data.frame(m)
      GENE1=c(GENE1,row.names(m[i,]))
      GENE2=c(GENE2,row.names(m[j,]))
      CORRELATION=c(CORRELATION,m[i,j])

      
  }
}
#on utilise une deuxième boucle partant de la ligne en cours (i:j) pour ne pas extraire les corrélations déjà extraites car il s'agit d'une matrice symétrique  
x=data.frame(GENE1,CORRELATION,GENE2)
colnames(x) = c("GENE1","CORRELATION","GENE2")
x=subset(x,CORRELATION>0.8)

et voici le style de tableau que j'obtiens pour cet exemple:

GENE1	CORRELATION	GENE2
a	0.9566742	n
b	0.9232764	q
b	0.9437570	x

[VonVelten]

Bonjour,

Je n'ai pas pu faire retourner le code, à cause de la fonction forceSymetric() que je ne connais pas. Le code semblait tourner tout de même en retirant cette ligne. (Si j'ai bien compris, c'est pour rendre la matrice symétrique)

Quelques idées d'améliorations pour le code. J'ai utilisé les fonctions Sys.time et difftime pour suivre la vitesse de calcul. La vitesse est à peu près 65 fois plus rapide sur une matrice 100*100, et cela augmente avec la taille de la matrice (plus de 100 fois plus rapide sur une 150*150)

Code R :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
 
m=matrix(runif(100*100, min=-1, max=1), ncol=100,nrow=100)
row.names(m)=c(1:100) # j'ai mis des chiffres pour les noms
colnames(m)=c(1:100)
diag(m)=0
m=as.matrix(m)
 
m=as.data.frame(m) # On met une seule fois la transformation, cela suffit
GENE1=vector()
n.GENE<-row.names(m) #On enregistre les noms à l'avance, ca évite d'interroger à répétitions la fonctions
GENE2=vector()
CORRELATION=vector()
y=nrow(m)
for (i in 1:(y-1)){  #On va jusqu'à la ligne y-1, car en ligne y tout est déjà fait
  for (j in (i+1):y){ #On commence à i+1 sinon on est sur la diagonale, ce qui n'est pas intéressant si j'ai bien compris
    if(m[i,j]>0.8){ #On va inclure directement le test, cela évite d'écrire tout le contenu de la matrice, ce qui est long, et on perd peu de temps sur le test
      GENE1=c(GENE1,n.GENE[i])
      GENE2=c(GENE2,n.GENE[j])
      CORRELATION=c(CORRELATION,m[i,j])
    }
  }
}
 
x=data.frame(GENE1,CORRELATION,GENE2)
colnames(x) = c("GENE1","CORRELATION","GENE2")

J'espère que cela vous aidera.

Je pense qu'il doit exister d'autre façon de le faire encore plus rapide, mais je n'ai pas trouvé.

VV