forked from bioinfo-ut/PlasmidSeeker
-
Notifications
You must be signed in to change notification settings - Fork 0
/
testfunction.R
430 lines (312 loc) · 15.7 KB
/
testfunction.R
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
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
args <- commandArgs(trailingOnly = TRUE)
# Bakteri katvuste tabel
bac_file <- args[1]
plasmid_file <- args[2]
read_length <- as.numeric(args[3])
word <- as.numeric(args[4])
coverage_variation <- as.numeric(args[5])
output_name <- args[6]
use_legacy = 0
# kasutusn2ited on toodud peale funktsiooni defineerimist - andmete paiknemiskataloog tuleb muuta!!!
# Funktsiooni definitsiooni algus *********************************************************************************************
testiPlasmiidi2=function(k, k1, n1, k2, n2, readi_pikkus, pr=0.05){
# Argumendid
# k - kmeri pikkus
# k1 - bakteri katvused
# n1 - mitu bakteri k-meeri oli sellise katvusega
# k2 - plasmiidi katvused
# n2 - mitu plasmiidi k-meeri oli sellise katvusega
# readi_pikkus - kui pikki lugemeid on kasutatud
# pr - kui suur on lubatud sequencing bias (mis tekib n2iteks cg-osakaalu erinevusest)
par_to_p = function(x){
# 22rmised t6en2osused 0...0.3 keskmine 1..0.4
p00=0.3*exp(x)/(1+exp(x))
p=c(p00[1], 1-p00[1]-p00[2], p00[2])
return(p)
}
p_to_par = function(x){
x[x==0]=1e-7
xx=log( 1/0.3* x[c(1,3)] /(1- (1/0.3) *x[c(1,3)]) )
return( xx )
}
par_to_kesk=function(x, keskm0=keskm0){
# 0.6*keskm0 ... 1.4*keskm0
# return(0.8*keskm0*exp(x)/(1+exp(x))+0.6*keskm0)
return(exp(x))
}
kesk_to_par=function(x, keskm0=keskm0){
# 0.6*keskm0 ... 1.4*keskm0
# abi=(x-0.6*keskm0)/(0.8*keskm0)
# return( log(abi/(1-abi) ) )
return(log(x))
}
# p_to_par=c(0.2,0.4, 0.2)
# Keskmist t6en2osust ignoreeritakse...
# par_to_p( p_to_par(c(0.2,0.4, 0.24)) )
ll=function(x, k, n, keskm0=NA, yle=NULL, ypiir){
# print ("Funktsioon ll")
# print (x)
# pi - 0x 1x 2x 3x esinevate k-meeride osakaalud
# x=c(1,1, 12, 5); k=a5$katvus; n=a5$n
# x=c(p_to_par(c(0.05, 0.9, 0.05)), kesk_to_par(12), 5); k=a1$katvus; n=a1$n; yle=20; keskm0=13
# x=c(p_to_par(c(0.05, 0.9, 0.05)), kesk_to_par(12), 5); k=a5$katvus; n=a5$n; yle=20; keskm0=13
# tul2=optim(c(p_to_par(c(0.05, 0.9, 0.05)), kesk_to_par(keskm00_plasmiid, keskm00) ), ll, k=k2, n=n2, control=list(fnscale=-1), keskm0=keskm00, yle=exp(tul$par[4]) )
# x=c(p_to_par(c(0.05, 0.9, 0.05)), kesk_to_par(keskm00_plasmiid, keskm00)); k=a5$katvus; n=a5$n; yle=exp(tul$par[4]); keskm0=keskm00
pi=par_to_p( x[1:2] )
# keskmine katvus
keskm=par_to_kesk(x[3], keskm0)
# ylehajuvusparameeter
if (is.null(yle)) s=exp(x[4]) else s=yle
if (keskm<=0) return(-Inf) else {
# yhe vaatluse kontributsioon
# l1=log(dpois(k, lambda=0.1)*pi[1]+dpois(k, lambda=keskm)*pi[2]+dpois(k, lambda=keskm*2)*pi[3]+dpois(k, lambda=keskm*3)*pi[4])
# Arvutuste t2psuse t6stmine
# ln(a + b) = ln{exp[ln(a) - ln(b)] + 1} + ln(b)
# 1 v6i 0 t6en2osus (Roosaare failides 0-d sageli puudu)
l1_1 =pnbinom(1, mu=0.1, size=s, log=T)+log(pi[1])
l1_2 =pnbinom(1, mu=keskm, size=s, log=T)+log(pi[2])
l1_3 =pnbinom(1, mu=keskm*2, size=s, log=T)+log(pi[3])
# l1_4 =pnbinom(1, mu=keskm*3, size=s, log=T)+log(pi[4])
# J2rjekord selline, sest exp(l1_1)>0 ka siis, kui keskm~l6pmatus
l1_a = log(exp(l1_2-l1_1)+1)+l1_1
# l1_b = log(exp(l1_3-l1_4)+1)+l1_4
l1_b = l1_3
l1_1v = log(exp(l1_b-l1_a)+1)+l1_a
# V22rtusest 2*keskm0 suurema v22rtuse n2gemise t6en2osus
l1_1 =pnbinom( ypiir, mu=0.1, size=s, log=T, lower.tail=FALSE)+log(pi[1])
l1_2 =pnbinom(ypiir, mu=keskm, size=s, log=T, lower.tail=FALSE)+log(pi[2])
l1_3 =pnbinom(ypiir, mu=keskm*2, size=s, log=T, lower.tail=FALSE)+log(pi[3])
# l1_4 =pnbinom(ypiir, mu=keskm*3, size=s, log=T, lower.tail=FALSE)+log(pi[4])
l1_a = log(exp(l1_1-l1_2)+1)+l1_2
# l1_b = log(exp(l1_3-l1_4)+1)+l1_4
l1_b = l1_3
l1_1s = log(exp(l1_a-l1_b)+1)+l1_b
# vahepealsed
ind= 1<k & k<ypiir
k0=k[ind]
l1_1 =dnbinom(k0, mu=0.1, size=s, log=T)+log(pi[1])
l1_2 =dnbinom(k0, mu=keskm, size=s, log=T)+log(pi[2])
l1_3 =dnbinom(k0, mu=keskm*2, size=s, log=T)+log(pi[3])
# l1_4 =dnbinom(k0, mu=keskm*3, size=s, log=T)+log(pi[4])
l1_a = log(exp(l1_1-l1_2)+1)+l1_2
# l1_b = log(exp(l1_3-l1_4)+1)+l1_4
l1_b = l1_3
l1 = log(exp(l1_a-l1_b)+1)+l1_b
# Valimi log-t6ep2ra
# tricube f(u)=70/81*(1-|u|^3)^3 range |u|<=1
# lisa=0
# if (tricube) { u=abs(4*(keskm-keskm0)/keskm0); lisa=-Inf; if(u<1) lisa=log(70/81*(1-u^3 )^3 ) }
l2=sum(l1*n[ind]) + l1_1v*sum(n[k<=1])+l1_1s*sum(n[k>ypiir])
if (is.na(l2) | abs(sum(pi)-1)>1e-14 ) l2=-Inf
return(l2)
}
}
ll_var2 = function(x, k, n, keskmine, keskm0=NA, yle=NULL, protsent, ypiir){
# protsent - n2itab, kui mitme protsendi v6rra v6ib keskmine katvus erineda
# pi - 0x 1x 2x 3x esinevate k-meeride osakaalud
# x=c(1,1,1,12); k=a5$katvus; n=a5$n
pi=par_to_p( x[1:2] )
# keskmine katvus
# lubame k6rvalekaldeid keskm0-st vahemikus keskm0*(1-protsent) .... keskm0*(1+protsent)
if (is.na(x[3])) keskm=keskmine else keskm= 2*protsent*keskmine*exp(x[3])/(1+exp(x[3]))+ (1-protsent)*keskmine
# ylehajuvusparameeter
if (is.null(yle)) s=exp(x[4]) else s=yle
# yhe vaatluse kontributsioon
# Arvutuste t2psuse t6stmine
# ln(a + b) = ln{exp[ln(a) - ln(b)] + 1} + ln(b)
# 1 v6i 0 t6en2osus (Roosaare failides 0-d sageli puudu)
l1_1 =pnbinom(1, mu=0.1, size=s, log=T)+log(pi[1])
l1_2 =pnbinom(1, mu=keskm, size=s, log=T)+log(pi[2])
l1_3 =pnbinom(1, mu=keskm*2, size=s, log=T)+log(pi[3])
# l1_4 =pnbinom(1, mu=keskm*3, size=s, log=T)+log(pi[4])
l1_a = log(exp(l1_1-l1_2)+1)+l1_2
# l1_b = log(exp(l1_3-l1_4)+1)+l1_4
l1_b = l1_3
l1_1v = log(exp(l1_a-l1_b)+1)+l1_b
# V22rtusest 2*keskm0 suurema v22rtuse n2gemise t6en2osus
l1_1 = pnbinom( ypiir, mu=0.1, size=s, log=T, lower.tail=FALSE)+log(pi[1])
l1_2 = pnbinom(ypiir, mu=keskm, size=s, log=T, lower.tail=FALSE)+log(pi[2])
l1_3 = pnbinom(ypiir, mu=keskm*2, size=s, log=T, lower.tail=FALSE)+log(pi[3])
# l1_4 = pnbinom(ypiir, mu=keskm*3, size=s, log=T, lower.tail=FALSE)+log(pi[4])
l1_a = log(exp(l1_1-l1_2)+1)+l1_2
# l1_b = log(exp(l1_3-l1_4)+1)+l1_4
l1_b = l1_3
l1_1s = log(exp(l1_a-l1_b)+1)+l1_b
# vahepealsed
ind= 1<k & k<ypiir
k0=k[ind]
l1_1 =dnbinom(k0, mu=0.1, size=s, log=T)+log(pi[1])
l1_2 =dnbinom(k0, mu=keskm, size=s, log=T)+log(pi[2])
l1_3 =dnbinom(k0, mu=keskm*2, size=s, log=T)+log(pi[3])
# l1_4 =dnbinom(k0, mu=keskm*3, size=s, log=T)+log(pi[4])
l1_a = log(exp(l1_1-l1_2)+1)+l1_2
# l1_b = log(exp(l1_3-l1_4)+1)+l1_4
l1_b = l1_3
l1 = log(exp(l1_a-l1_b)+1)+l1_b
# Valimi log-t6ep2ra
# lisa=0
# if (tricube) { u=abs(4*(keskm-keskm0)/keskm0); lisa=-Inf; if(u<1) lisa=log(70/81*(1-u^3 )^3 ) }
# l2=sum(l1*n)+lisa
l2=sum(l1*n[ind]) + l1_1v*sum(n[k<=1])+l1_1s*sum(n[k>ypiir])
if (is.na(l2) | abs(sum(pi)-1)>1e-14 ) l2=-Inf
return(l2)
}
# bakter
# ...........
keskm00=sum(k1*prop.table(n1))
# ylempiir - millise v22rtuseni vaadeldakse
# ypiir=ceiling(keskm00*2)
ypiir=ceiling(keskm00*5)
tul=optim(c(p_to_par(c(0.05, 0.9, 0.05)), kesk_to_par(keskm00, keskm00), 4.5 ), ll, k=k1, n=n1, control=list(fnscale=-1), keskm0=keskm00, ypiir=ypiir)
tul=optim( tul$par, ll, k=k1, n=n1, control=list(fnscale=-1), keskm0=keskm00, ypiir=ypiir)
tul=optim( tul$par, ll, k=k1, n=n1, control=list(fnscale=-1), keskm0=keskm00, ypiir=ypiir)
tul=optim( tul$par, ll, k=k1, n=n1, control=list(fnscale=-1), keskm0=keskm00, ypiir=ypiir)
tul=optim( tul$par, ll, k=k1, n=n1, control=list(fnscale=-1), keskm0=keskm00, ypiir=ypiir)
tul=optim( tul$par, ll, k=k1, n=n1, control=list(fnscale=-1), keskm0=keskm00, ypiir=ypiir)
tul=optim( tul$par, ll, k=k1, n=n1, control=list(fnscale=-1), keskm0=keskm00, ypiir=ypiir)
count=0
while (tul$convergence!=0 & count<20){
tul=optim( tul$par, ll, k=k1, n=n1, control=list(fnscale=-1), keskm0=keskm00, ypiir=ypiir)
count=count+1
}
pii1=par_to_p( tul$par[1:2] )
if (pii1[2]<0.65) warning("Wrong bacteria or convergence problem? Estimated proportion of bacterial k-mers which are present and unique is too small! (<0.65)")
# plasmiid
# ...........
keskm00_plasmiid=sum(k2*prop.table(n2))
# tul2=optim(c(2, 1, 1, (sum(katvus*prop.table(nn2))) ), ll, n=nn2, control=list(fnscale=-1), ypiir=ypiir)
tul2=optim(c(p_to_par(c(0.05, 0.9, 0.05)), kesk_to_par(keskm00_plasmiid, keskm00) ), ll, k=k2, n=n2, control=list(fnscale=-1), keskm0=keskm00, yle=exp(tul$par[4]), ypiir=ypiir )
tul2=optim( tul2$par, ll, k=k2, n=n2, control=list(fnscale=-1), keskm0=keskm00, yle=exp(tul$par[4]), ypiir=ypiir )
tul2=optim( tul2$par, ll, k=k2, n=n2, control=list(fnscale=-1), keskm0=keskm00, yle=exp(tul$par[4]), ypiir=ypiir)
tul2=optim( tul2$par, ll, k=k2, n=n2, control=list(fnscale=-1), keskm0=keskm00, yle=exp(tul$par[4]), ypiir=ypiir)
tul2=optim( tul2$par, ll, k=k2, n=n2, control=list(fnscale=-1), keskm0=keskm00, yle=exp(tul$par[4]), ypiir=ypiir)
count=0
while (tul2$convergence!=0 & count<20){
tul2=optim( tul2$par, ll, k=k2, n=n2, control=list(fnscale=-1), keskm0=keskm00, yle=exp(tul$par[4]), ypiir=ypiir)
count=count+1
}
pii2=par_to_p( tul2$par[1:2] )
# if (pii2[2]<0.8) warning("Vale plasmiid v6i koondumisprobleem????")
if (pr<0.001) tul3=optim( c(tul2$par[1:2]), ll_var2, k=k2, n=n2, keskmine=par_to_kesk(tul$par[3], keskm00) ,control=list(fnscale=-1), keskm0=keskm00, yle=exp(tul$par[4]), protsent=pr, ypiir=ypiir) else tul3=optim( c(tul2$par[1:3]), ll_var2, k=k2, n=n2, keskmine=par_to_kesk(tul$par[3], keskm00) ,control=list(fnscale=-1), keskm0=keskm00, yle=exp(tul$par[4]), protsent=pr, ypiir=ypiir)
tul3=optim( tul3$par, ll_var2, k=k2, n=n2, keskmine=par_to_kesk(tul$par[3], keskm00) ,control=list(fnscale=-1), keskm0=keskm00, yle=exp(tul$par[4]), protsent=pr, ypiir=ypiir)
count=0
while (tul3$convergence!=0 & count<20){
tul3=tul3=optim( tul3$par, ll_var2, k=k2, n=n2, keskmine=par_to_kesk(tul$par[3], keskm00) ,control=list(fnscale=-1), keskm0=keskm00, yle=exp(tul$par[4]), protsent=pr, ypiir=ypiir)
count=count+1
}
pii3=par_to_p( tul3$par[1:2] )
ajutkeskm=par_to_kesk(tul$par[3], keskm00)
if (is.na(tul3$par[3])) keskm_integreeritud = ajutkeskm else keskm_integreeritud = 2*pr*ajutkeskm*exp(tul3$par[3])/(1+exp(tul3$par[3]))+ (1-pr)*ajutkeskm
like3a=ll(tul2$par, k=k2, n=n2, yle=exp(tul$par[4]), keskm0=keskm00, ypiir=ypiir)
like3b=ll_var2(tul3$par, k=k2, n=n2, keskmine=par_to_kesk(tul$par[3], keskm00), keskm0=keskm00, yle=exp(tul$par[4]), protsent=pr, ypiir=ypiir)
# readi pikkus 100
teststat2 = 2*(like3a-like3b)/(readi_pikkus-k+1)
if (use_legacy){
teststat2 = 2*(like3a-like3b)/(readi_pikkus)
}
pvalue2 = 1-pchisq(teststat2, 1)
# vaba Plasmiid - arvutused katvuste erinevuse hindamiseks (pole vajalik testimiseks)
# ylempiir - millise v22rtuseni vaadeldakse
ypiir_plasmiid=ceiling(keskm00_plasmiid*5)
tul4=optim(c(p_to_par(c(0.05, 0.9, 0.05)), kesk_to_par(keskm00_plasmiid, keskm00_plasmiid), 4.5 ), ll, k=k2, n=n2, control=list(fnscale=-1), keskm0=keskm00_plasmiid, ypiir=ypiir_plasmiid)
count=0
while (tul4$convergence!=0 & count<20){
tul4=optim( tul4$par, ll, k=k2, n=n2, control=list(fnscale=-1), keskm0=keskm00_plasmiid, ypiir=ypiir_plasmiid)
count=count+1
}
pii4=par_to_p( tul4$par[1:2] )
if (pii4[2]<0.65) warning("Plasmid coverage estimation failed???? Missing or wrong plasmid? Estimated proportion of plasmid k-mers which are present and unique is too small (<0.65)!")
koondus=!(tul$convergence!=0 | tul2$convergence!=0 | tul3$convergence!=0 | pii1[2]<0.8)
if (!koondus) {
warning("Convergence problem! Estimated parameters and test results are unreliable!")
#warning(paste("Tehniline probleemi kirjeldus: koondumine 1:", tul$convergence ,
#" koondumine 2:", tul2$convergence, " koondumine 3:", tul3$convergence, "bakteri normaalsete k-meeride osakaal:", pii1[2]))
}
tulem=list(teststat=teststat2, pvalue=pvalue2, koondus=koondus, bakter_osakaal=pii1, plasmiid_osakaal1=pii2, plasmiid_osakaal2=pii3, plasmiid_osakaal3=pii4,
bakter_katvus=par_to_kesk(tul$par[3], keskm00), plasmiid_integr_katvus=keskm_integreeritud, plasmiid_katvus=par_to_kesk(tul2$par[3], keskm00),
plasmiid_katvus2=par_to_kesk(tul4$par[3], keskm00), size=exp(tul$par[4]),
piirkond=c(1, ypiir), pr=pr, k1=k1, n1=n1, k2=k2, n2=n2 )
class(tulem)="TestPlasmid"
return(tulem)
}
print.TestPlasmid=function(x){
print(paste("Statistic = ", round(x$teststat,3), sep=""), quote=FALSE)
print(paste("p-value = ", format(x$pvalue, digits=4), sep=""), quote=FALSE)
print(paste("Convergence: ", x$koondus), quote=FALSE)
}
plot.TestPlasmid=function(x){
# x=ah
katvus=0:(x$piirkond[2]*1.4)
n=rep(0, length(katvus))
ind=x$k1 %in% katvus
n[x$k1[ind]+1]=x$n1[ind]
names(n)=katvus
plot(katvus, prop.table(n), type="p", xlim=range(katvus), col="lightblue", xlab="Coverage", ylab="distribution of k-mers", pch=20)
ind=katvus<=x$piirkond[2] & katvus>=x$piirkond[1]
points(katvus[ind], prop.table(n)[ind], pch=20, col="blue2")
abline(v=x$piirkond, lty=2)
n2=rep(0, length(katvus))
ind=x$k2 %in% katvus
n2[x$k2[ind]+1]=x$n2[ind]
names(n2)=katvus
points(katvus, prop.table(n2), xlim=range(katvus), col="pink", pch=20)
ind=katvus<=x$piirkond[2] & katvus>=x$piirkond[1]
points(katvus[ind], prop.table(n2)[ind], col=2, pch=20)
yA1=dnbinom(katvus, mu=0.1, size=x$s)
yA2=dnbinom(katvus, mu=x$bakter_katvus*1, size=x$s)
yA3=dnbinom(katvus, mu=x$bakter_katvus*2, size=x$s)
yA=yA1*x$bakter_osakaal[1]+ yA2*x$bakter_osakaal[2]+ yA3*x$bakter_osakaal[3]
lines(katvus, yA, col="darkblue", lwd=2)
yB1=dnbinom(katvus, mu=0.1, size=x$s)
yB2=dnbinom(katvus, mu=x$plasmiid_katvus*1, size=x$s)
yB3=dnbinom(katvus, mu=x$plasmiid_katvus*2, size=x$s)
yB=yB1*x$plasmiid_osakaal1[1]+ yB2*x$plasmiid_osakaal1[2]+ yB3*x$plasmiid_osakaal1[3]
lines(katvus, yB, col="darkred", lwd=2)
# yC1=dnbinom(katvus, mu=0.1, size=x$s)
# yC2=dnbinom(katvus, mu=x$bakter_katvus*1, size=x$s)
# yC3=dnbinom(katvus, mu=x$bakter_katvus*2, size=x$s)
# yC=yC1*x$plasmiid_osakaal2[1]+ yC2*x$plasmiid_osakaal2[2]+ yC3*x$plasmiid_osakaal2[3]
# lines(katvus, yC, col="red2", lwd=1)
abline(v=x$bakter_katvus, col="blue", lty=2)
abline(v=x$plasmiid_katvus, col="red", lty=2)
legend("topright", c("bacteria", "plasmid"), pch=20, col=c("blue2", "red2"), bg="white")
}
summary.TestPlasmid=function(x){
abiandmed=data.frame(source=c("Bacteria", "Plasmid, integrated", "Plasmid, unintegrated"), coverage=round(c(x$bakter_katvus, x$plasmiid_integr_katvus, x$plasmiid_katvus2),3),
prop_kmers_missing=round(c(x$bakter_osakaal[1], x$plasmiid_osakaal2[1], x$plasmiid_osakaal3[1]),5), prop_kmers_normal=round(c(x$bakter_osakaal[2], x$plasmiid_osakaal2[2], x$plasmiid_osakaal3[2]),5), prop_kmers_duplicated=round(c(x$bakter_osakaal[3], x$plasmiid_osakaal2[3], x$plasmiid_osakaal3[3]),5) )
print(abiandmed, row.names=FALSE)
cat("\n")
cat("Plasmid coverage multiplier:", round(x$plasmiid_katvus2/x$bakter_katvus,2))
cat("\n")
cat("\n")
cat("Coverage range used for testing:", x$piirkond[1], "...", x$piirkond[2])
cat("\n")
cat("Allowed coverage bias:", round(x$pr*100,2), "%")
cat("\n")
cat("\n")
cat("Statistic = ", round(x$teststat,3), sep="")
cat("\n")
cat("p-value = ", format(x$pvalue, digits=4), sep="")
cat("\n")
cat("Convergence: ", x$koondus)
cat("\n")
}
# Funktsioonide defineerimise l6pp *********************************************************************************************
#####################################
# Read in data and calculate values #
#####################################
bac=read.csv2(bac_file, header=T)
plasmid=read.csv2(plasmid_file, header=T)
#Launch the function
ah=testiPlasmiidi2(k1=bac[,1], n1=bac[,2], k2=plasmid[,1], n2=plasmid[,2], readi_pikkus=read_length, pr=coverage_variation, k=word)
ah$teststat
ah$pvalue
ah$koondus
if (!is.null(output_name) && !is.na(output_name)) {
sink(paste(output_name,".txt", sep=""))
summary(ah)
sink()
png(filename=paste(output_name,".png", sep=""))
plot(ah)
dev.off()
}