V prvej casti cvicenia si kratko vyskusate zhlukovanie dat v R a jednoduche
zobrazenie najdenych zhlukov.

Posluzi nam priklad z prednasky:

set1 <- matrix(cbind(rnorm(100,0,2),rnorm(100,0,2)),100,2)
set2 <- matrix(cbind(rnorm(100,0,2),rnorm(100,8,2)),100,2)
set3 <- matrix(cbind(rnorm(100,8,2),rnorm(100,0,2)),100,2)
set4 <- matrix(cbind(rnorm(100,8,2),rnorm(100,8,2)),100,2)
dati <- list(values=rbind(set1,set2,set3,set4),classes=c(rep(1,100),rep(2,100),rep(3,100),rep(4,100)))
# clustering - common methods
op <- par(mfcol = c(2, 2))
par(las =1)
plot(dati$values, col = as.integer(dati$classes), xlim=c(-6,14), ylim = c(-6,14), xlab="", ylab="", main = "True Groups")
party <- kmeans(dati$values,4)
plot(dati$values, col = party$cluster, xlab = "", ylab = "", main = "kmeans")
hc = hclust(dist(dati$values), method = "ward")
memb <- cutree(hc, k = 4)
plot(dati$values, col = memb, xlab = "", ylab = "", main = "hclust Euclidean ward")
hc = hclust(dist(dati$values), method = "complete")
memb <- cutree(hc, k = 4)
plot(dati$values, col = memb, xlab = "", ylab = "", main = "hclust Euclidean complete")
par(op)

Cielom zvysnej casti cvicenia je zoznamit sa s pracou s grafmi v R a vytvorit 
funkciu, ktora zobrazi ako graf okolie lubovolneho vrcholu grafu. Nasledovne 
tuto funkciu vylepsime o graficke znazornenie vlastnosti vrcholov.

Ako priklad pouzijeme sadu dat z kvasiniek. Obsahuje zoznam proteinov
"yeast_proteins.txt", ich sekvencie "yeastProteins.fasta", interakcie 
"yeast_interactions.txt" a vlastnosti "yestProteins.Rdata".

  Budeme pouzivat balik "igraph"

library(igraph)

  Nacitame si data do premennych v R.

edge <- read.table("yeast_interactions.txt")
vert <- read.table("yeast_proteins.txt")
orfs <- vert[,2] # nazvy genov
#vert <- vert[,1] # budeme pouzivat len cisla vrcholov

  a vytvorime prislusny graf (datovy objekt)

g <-  graph.data.frame(edge,vertices=vert,directed=FALSE)

  Vykreslit podgraf pre prvych 10 hran je jednoduche

plot(subgraph(g,1:10))

  Vsimnite si, ze zobrazenie pri opakovanom volani funkcie vyzera vzdy trochu 
  inak.
  Aby obrazky boli informativne uniestnime do nich oznacenie z premennej "orfs"
  a upravime velkost pisma a niekolko dalsich parametrov

plot(subgraph(g,1:10),vertex.label=orfs[1:10],vertex.label.cex=0.8,vertex.label.dist=1,vertex.label.degree=-pi/2)

  Umiestnenie uzlov je v tejto chvili nahodne, nechame ich rozmiestnit 
  do kruhu

plot(subgraph(g,1:10),vertex.label=orfs[1:10],vertex.label.cex=0.8,vertex.label.dist=1,vertex.label.degree=-pi/2,layout=layout.circle)

  Takto vytvoreny graf nam posluzi ako podklad pre vizualizaciu. Pokusime sa 
  najprv zobrazit na grafe nejake zaujimave vlastnosti proteinov z kvasiniek. 
  Jednou z takych vlastnosti moze byt molekulova hmotnost. Hypotezou by mohlo 
  byt, ze vacsie proteiny maju viac partnerov. Pozrime sa najprv na datovy 
  subor (pochadza z baliku ppiData; ppi = protein/protein interaction)

load("yeast_proteins.Rdata")
names(proteinProperty) # nazvy stlpcov (premennych) v tabulke
head(proteinProperty) # prvych 6 riadkov v tabulke

  Dalej nas bude zaujimat 

head(proteinProperty$FEATURE) # identifikator
head(proteinProperty$MOL) # molekulova hmotnost
head(proteinProperty$GRAVY) # hydrofobicita

  Vyuzijeme tieto tri udaje na konstrukciu jednoduchych funkcii zistujucich
  mol.hmotnost lubovolneho proteinu zadaneho pomocou identifikatora alebo
  jeho hydrofobicitu

mw <-
function (id) 
{
  as.numeric(as.vector(proteinProperty$MOL[which(proteinProperty$FEATURE == id)]))
}

hf <-
function (id) 
{
  as.numeric(as.vector(proteinProperty$GRAVY[which(proteinProperty$FEATURE == id)]))
}


  Overte si, ze 

mw("YAL005C")
hf("YAL005C")

  je 69767 a -0.426013. Teraz vytvorime vektor s velkostami pre uzly grafu 
  odvodenymi z mol.hmotnosti a farbou podla hydrofobicity

size <- as.numeric(as.vector(mapply(mw,as.vector(orfs))))
colr <- as.numeric(as.vector(mapply(hf,as.vector(orfs))))

  a priradime preskalovane vlastnostiam vrcholov grafu

V(g)$size <- size/10000
V(g)$color <- floor((colr+2.5)*2)

  a teraz spojime vsetky vylepsenia

plot(subgraph(g,1:10),vertex.label=orfs[1:10],vertex.label.cex=0.8,vertex.label.dist=1,vertex.label.degree=-pi/2,layout=layout.circle)

  Vytvorte funkciu, ktorej argument bude identifikator a graf, a ktora Vam
  vrati zoznam uzlov, ktore s danym uzlom susedia. Vyuzit mozete funkciu
  neighbor(). Vylepsite tuto funkciu aby rovno vytvorila prislusny podgraf,
  ktory sa da zobrazit prikazom plot().