Heat mapa

Než se v příští kapitole pustíme do podrobností ChIP-seq workflow, máš tu příležitost prohlédnout si ukázku výsledků analýzy.

V tomto cvičení se zaměříš na to, jak vizualizovat rozdíly mezi vzorky pomocí heat map. Data jsou už načtená a naformátovaná tak, aby šlo přímo kreslit s funkcí heatmap().

Korelační matice vzorků je dostupná jako sample_cor a normalizované počty čtení pro každý peak jsou uloženy v objektu read_counts. V obou případech pocházejí první dva vzorky z primárních nádorů a poslední dva jsou rezistentní vůči léčbě.

Vektorem barevných popisků skupin můžeš naplnit argumenty ColSideColors a RowSideColors funkce heatmap() a zvýraznit tak, které vzorky patří do stejné skupiny.

Toto cvičení je součástí kurzu

ChIP-seq s Bioconductor v R

Zobrazit kurz

Pokyny k cvičení

Vytvoř vektor názvů barev, který poslouží k označení skupin v grafu.
Zobraz korelační matici vzorků sample_cor jako heat mapu.
Vytvoř heat mapu počtů čtení pro jednotlivé peaky.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create a vector of colors to label groups (there are 2 samples per group)
group <- c(primary = rep("blue", ___), TURP = rep("red", ___))

# Plot the sample correlation matrix `sample_cor` as a heat map
# Use the group colors to label the rows and columns of the heat map
heatmap(___, ColSideColors = ___, RowSideColors = ___, 
        cexCol = 0.75, cexRow = 0.75, symm = TRUE)

# Create a heat map of peak read counts
# Use the group colors to label the columns of the heat map
___(___, ColSideColors = ___, labRow = "", cexCol = 0.75)

Upravit a spustit kód