#Nacteme si data swirl, ktere predstavuj mikrocipovy experiment srovnavajici genovou expresi divokeho typu rybky Danio pruhovane a jejiho mutanta v genu BMP2
#Experiment byl proveden v tzv dye swap dizajnu, dohromady jsou k dispozici 4 mikrocipy
  
library(marray)
data(swirl)
str(swirl)

#Vytvorme paletu barev  a provedeme kontrolu kvality čipu
  Gcol <- maPalette(low = "white", high = "green", k = 50)
  Rcol <- maPalette(low = "white", high = "red", k = 50)
  RGcol <- maPalette(low = "green", high = "red", k = 50)

### Kontrola prostorovych efektu ###

#Vykreslime si heatmapu prvniho mikrocipu s pomoci funkce maImage
  maImage(swirl[, 1], x = "maRb") # vykreslime pozadi cerveneho kanalu
  maImage(swirl[, 1], x = "maGb") # vykreslime pozadi zeleneho kanalu
  maImage(swirl[, 1], x = "maM") #  vykreslime pomer intensit spotu obou kanalu (M hodnoty)

#Funkce maImage dokaze vykreslit i efekt print-tipu:
  maImage(swirl[, 1],x="maPrintTip")

#Funkce maBoxplot vykresli krabicove grafy
  maBoxplot(swirl[,1])


### Efekt barviva ###
  
#Vykreslime jednoduse pomoci zakladni funkce plot a dvou funkci kterymi z marrayRaw objektu extrahujeme intensity spotu (signalu) cerveneho a zeleneho kanalu
  R = maRf(swirl[,1])
  G = maGf(swirl[,1])
  plot(R,G)
  abline(a=0, b=1) # vykreslime diagonalu - v pripade, ze neni efekt barviva, body by meli byt na diagonale

## MA graf  
#  Funkce plot aplikovana primo na objekt marrayRaw vykresli MA graf, s odhadem krivek podle jednotlivych print-tipu
  plot(swirl[,1])
  
  # Odhad krivek se provádí robustní lokální regresí nebo dalsimi vyhlazovacimi technikami (argument lines.func=)
  
# Dalsi zpusob vykresleni MA grafu je prvne vypocitat hodnoty A a M, a pak je vykreslit
  A = maA(swirl[,1])
  M = maM(swirl[,1])
  plot(A,M)
  
  
#### NORMALIZACE ###  

  ### NORMALIZACE UVNITR MIKROCIPU ##

#Aplikujme centrovani medianem na M hodnoty prvniho mikrocipu z prikladu a zkontrolujme, jak se normalizace (ne)poprala s nelinearmini efekty
    
  plot(swirl[,1])
  swirl.norm <- maNormMain(swirl[,1], f.loc = list(maNormMed(x=NULL,y="maM")))
  plot(swirl.norm)

# A ted aplikujme normalizaci pomoci loess transformace
  swirl.norm.loess <- maNormMain(swirl[,1], f.loc = list(maNormLoess()))
  plot(swirl.norm.loess)
  
  ### NORMALIZACE MEZI MIKROCIPY ##
  
  # funkce maNormMain pokud je aplikovana v základním nastavení provádí  prostorovu loess normalizaci jednotlivych mikrocipu bez skalovani, takze toto musime provest samostatne
  swirl.norm <- maNormMain(swirl)
  
  # Zjistite, jaka zakladni metoda skalovani je pouzita ve funkci maNormScale (wrapper kolem funkce maNormMain)
  swirl.norm.scale = maNormScale(swirl.norm)
  maBoxplot(swirl.norm.scale)