这个lumi包的使用代码和说明书都有，按部就班的学一遍就好了。

如果仅仅是分析数据，那么并不难，但是每个分析步骤后面都隐含着一系列的统计学方法，想彻底搞清楚他它们， 就很难了。

data(example.lumi)

lumi.N.Q <- lumiExpresso(example.lumi)

dataMatrix <- exprs(lumi.N.Q)

重点就是得到表达矩阵，它封装好了一个函数，lumiExpresso可以直接处理LumiBatch对象，这个函数结合了,N,T,B,Q(normalization,transformation,backgroud correction,qulity control)四个步骤，其中Q这个步骤又包括8种统计学图片。在该包的文章有详细说明：http://bioinformatics.oxfordjournals.org/content/24/13/1547.full 

而 LumiBatch 对象是通过 lumiR.batch 读取的芯片文件被Illumina Bead Studio toolkit 处理的结果，也就是通常我们从公司或者GEO下载的数据( level 3 的 process data)，如下所示：

这个包用的测试文件Barnes_gene_profile.txt可以在http://www.chibi.ubc.ca/wp-content/uploads/2013/02/ 下载。

rm(list=ls())

library(lumi)

# setwd('G:/array/illumina-beadseed-v4/lumi_example')

# fileName <- 'Barnes_gene_profile.txt' # Not Run

## 首先是从illumina的芯片结果文件，自己用R的lumi包来获取表达矩阵。

setwd('G:/array/illumina-beadseed-v4/GSE30669')

fileName <- 'GSE30669_HEK_Sample_Probe_Profile.txt' # Not Run

x.lumi <- lumiR.batch(fileName) ##, sampleInfoFile='sampleInfo.txt')

pData(phenoData(x.lumi))

## Do all the default preprocessing in one step

lumi.N.Q <- lumiExpresso(x.lumi)

### retrieve normalized data

dataMatrix <- exprs(lumi.N.Q)

## 下面是从GEO里面下载表达矩阵

rm(list=ls())

library(GEOquery)

library(limma)

GSE30669 <- getGEO('GSE30669', destdir=".",getGPL = F)

exprSet=exprs(GSE30669[[1]])

GSE30669[[1]]

pdata=pData(GSE30669[[1]])

exprSet=exprs(GSE30669[[1]])

很明显可以看到前面得到的dataMatrix 和后面得到的 exprSet 都是我们想要的表达矩阵