最近在忙着开发COVID19的分析Shiny和R包,参考了很多R包和网页开发的教程。这里先简单介绍一些我的踩坑经验:
正式发布R包后,我会介绍每个函数的参数设计和功能设计,以及详细的开发过程
为了方便测试,我们可以采用downsampled data,或者自己制作simulated data,比如bioconductor上就有可以制作simulated single cell data object来衡量分析软件的performance。
比如下面我选择部分病毒样本进行分析,节约时间:
seqkit sample --proportion 0.1 Gisaid_RMD.fasta > Gisaid_RMD_10.fasta
[INFO] sample by proportion
[INFO] 4521 sequences outputted
Check
可以直接check(),或者check_rub(),前者只是初步检查,后者要求更加严格,后者的check结果基本上就是上传到CRAN后自动审核的结果。所以如果你的包能通过check_rub()的检查,那么恭喜你,至少你的包已经满足了通过CRAN初筛的要求了。
R包开发出现比较多的问题是:no visible global function definition。一般是note的形式
这种情况,一般是在函数内部有的对象没有进行声明造成的(只需要在函数内部额外添加声明即可,因为R会以为这个对象莫名其妙的存在会导致和外部变量冲突),或者有的函数没有进行import,如果没有import,在example运行的时候也会报error(只需要在roxygen2模板里插入@importfrom + 包名 + 函数 即可)
文件不宜过大,特别是data,可以尝试save函数加上compress参数,R包要求build之后小于5MB
注意一点,CRAN的check有时不兼容bioconductor的包,尤其是比较老的包,比如Biostring。所以如果要用类似translate这样的函数,可以用seqinr包里的的代替,或者自己手写函数代替它。否则Check会报错:dependency error
Note: significantly better compression could be obtained
by using R CMD build --resave-data
old_size new_size compress
covid_annot.rda 759Kb 480Kb xz
nucmer.rda 1.3Mb 397Kb xz
nucmerr.rda 1.6Mb 530Kb xz
refseq.rda 14Kb 8Kb bzip2
如果报错和xlim,ylim有关,很可能你的数据有缺省值或者0(比如对0取log),有时说明是抽样数据的问题。我当时用的数据是downsampled data,一方面减少存储,一方面运行更快,而且产出结果基本不受影响。
最好不要在check examples时点击stop,可能导致接下来的测试无法正常读取数据,需要全部退出R.studio
Bioconductor check
需要用devel版本进行测试,安装R4.0(我装的是4.0.2)。在bioconductor上正式发表包,开发者必须使用最新的R。
记住:每更新一次R版本都要重新安装Rtools! 否则关键软件会安装失败,比如devtools等需要编译的包。而且Rtools要安装在win-library目录下,记得添加环境变量。
如果你的包通过了CRAN的要求,想尝试bioconductor,注意以下几个方面,bioconductor会更注重一些细节问题http://cran.fhcrc.org/doc/manuals/R-exts.html#Writing-package-vignettes
vignettes非常重要!draft vignettes时,需要预先devtools::install(),否则会报错:找不到R包。因为vignettes和readme不一样,readme用Rmarkdown生成时只需要load()就可以,但是vignettes因为在正常R包开发中(CRAN)是非必需的,而且形式比较自由,所以非必需的目录下的R文件运行之前请保证运行过devtools::install()
vignettes的风格可以自定,这里我推荐:
output:
BiocStyle::html_document:
toc_float: true
fig_caption: true
number_sections: true
bibliography: [bibliography.bib, packages.bib]
这是bioconductor标准的文档风格,bib选项可以自定义引用。可以引用paper也可以引用R包,很方便。
参考包1:http://www.bioconductor.org/packages/release/workflows/html/methylationArrayAnalysis.html
-
参考包2:https://github.com/MSQ-123/esATAC
git clone https://github.com/MSQ-123/esATAC.git
指导文档:http://www.bioconductor.org/developers/package-guidelines/#intro
-
Unit Test: https://r-pkgs.org/tests.html
- 可以通过检测文件是否存在进行测试,比如这样:
对于有outdir的函数,这是很合适的unit test。在check的时候系统会自动运行unit test。比较方便,这样可以避免你自己一个一个去手动检查
- 可以通过检测文件是否存在进行测试,比如这样:
td<-tempdir()
#setTmpDir(td)
Total <- 11000
data("nucmerr")
data("assays")
AssayMutRatio(nucmerr = nucmerr,
assays = assays,
totalsample = Total,
plotType = "logtrans",
outdir = td)
#file.exists()检查文件是否存在
expect_true(file.exists(file.path(td,"Charite-E",".png")))
expect_true(file.exists(file.path(td,"Charite-RdRP",".png")))
expect_true(file.exists(file.path(td,"ChinaCDC-N",".png")))
添加数据的引用,完善数据说明也很重要。不管是data目录还是extdata目录,data都要有完整的说明文档
关于函数的output设置:无outdir则直接输出到屏幕,适合vignettes的制作。
关于DESCRIPTION文件:biocViews变成必选,至少有两个terms才可以。
关于inst文件夹:inst是R包里面形式最自由的,任何你想放的东西都可以放,比如extdata。bioconductor会注重extdata,尤其是workflow类型的包,因为往往涉及raw data的处理,比如fasta文件。这时bioconductor会要求你把raw data放到extdata目录下,而且配置一个详细的说明文档来说明raw data的来源。比如我们开发的包要用到nucmer.snps文件,那么这个data是怎么从downloaded fasta用shell脚本得到的,shell脚本也要放上,方便其他用户重复你的结果。
文档的format很重要:每一行的char不要太多
关于Github:bioconductor要求作者使用Github进行版本控制,并开放issue。感兴趣的还可以通过github.io做一个自己的博客介绍自己的包。