作业 1.对SRP233226 filtered.csv这个数据，以基因Fabp2为因变量，其他基因为自变量，构建多元线性回归模型。 2. 通过自变量的删减，逐步优化该模型。 (注意:全部运行代码需为R语言)

要在R语言中完成这两个任务，你需要以下步骤：

**1. 构建多元线性回归模型：**

# 首先，加载必要的库
library(readr)
library(dplyr)
library(tidyr)
library(broom)
library(lmtest)

# 加载数据
data <- read_csv("SRP233226_filtered.csv")

# 假定 Fabp2 列名为 "Gene_Fabp2"，其余列作为自变量
gene_list <- colnames(data)[-which(colnames(data) == "Gene_Fabp2")] 

# 将数据整理为适合建模的形式（如果数据是宽格式）
data_long <- data %>%
  gather(key = "variable", value = "expression", -Gene_Fabp2)

# 创建回归模型
model <- lm(Gene_Fabp2 ~ ., data = data_long)

# 查看模型摘要
tidy(model)

这将创建一个以 Fabp2 为因变量，所有其他基因作为自变量的回归模型。

**2. 自变量的逐步回归（前进法或后退法）：**
这里我们使用 `stepAIC` 函数来进行逐步回归，选择 Akaike 信息准则（AIC）最小的模型。

# 进行逐步回归（前进法）
forward_step_model <- step(model, direction = "forward", trace = F, test = "aic")

# 或者使用后退法
backward_step_model <- step(model, direction = "backward", trace = F, test = "bic")

# 检查每个模型的AIC或BIC
print(forward_step_model$anova)
print(backward_step_model$anova)

# 获取最优模型
best_regression <- forward_step_model # 或 backward_step_model

在逐步回归过程中，我们会看到每个自变量加入或剔除后的模型性能，直到达到最优的AIC或BIC。