Předzpracování příznaků

Ve videu jsi viděl/a, že rozdělení vzorků ve studii s doxorubicinem bylo výrazně zešikmené doprava. Prvním krokem je proto předzpracování příznaků: logaritmická transformace, normalizace a filtrování.

Toto cvičení je součástí kurzu

Analýza diferenciální exprese pomocí limma v R

Zobrazit kurz

Pokyny k cvičení

Do tvého pracovního prostoru byl načten objekt ExpressionSet eset_raw se surovými daty. Balíček limma je také načten.

Logaritmicky transformuj naměřené hodnoty. Pomocí plotDensities je vizualizuj. Označ vzorky podle jejich genotypu.
Proveď kvantilouvou normalizaci hodnot pomocí normalizeBetweenArrays a znovu je vizualizuj.
Pomocí rowMeans zjisti, které geny mají průměrnou úroveň exprese větší než 0.
Filtruj geny (tj. řádky) pomocí logického vektoru keep a znovu proveď vizualizaci.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create a new ExpressionSet to store the processed data
eset <- eset_raw
# Log transform
exprs(eset) <- ___(exprs(eset))
___(eset,  group = pData(eset)[___], legend = "topright")
# Quantile normalize
exprs(eset) <- ___(exprs(eset))
___(eset,  group = pData(eset)[___], legend = "topright")
# Determine the genes with mean expression level greater than 0
keep <- ___(exprs(eset)) > ___
sum(keep)
# Filter the genes
eset <- eset[___]
___(eset, group = pData(eset)[___], legend = "topright")

Upravit a spustit kód