Vizualizace v DESeq2 – MA plot a volcano plot

POZNÁMKA: Načtení tohoto cvičení může chvíli trvat.

Pro prozkoumání výsledků jsou vizualizace skvělým nástrojem – umožňují získat celkový přehled o datech i charakteristikách významných genů. Obvykle očekáváme, že významné geny se budou vyskytovat v celém rozsahu průměrných hodnot, což si můžeme ověřit pomocí MA plotu. Pokud by se významné geny soustředily pouze u vysokých průměrných hodnot, mohlo by to signalizovat problém s daty. Volcano plot zase pomáhá odhadnout, jaký rozsah hodnot fold change je potřeba k dosažení statistické významnosti.

Pojďme si výsledky prozkoumat pomocí MA plotu a volcano plotu.

Toto cvičení je součástí kurzu

RNA-Seq s Bioconductorem v R

Zobrazit kurz

Pokyny k cvičení

Vytvoř MA plot pomocí funkce plotMA() a jako vstup použij objekt s výsledky smoc2_res.
Pomocí funkce mutate() přidej nový sloupec jako logický vektor, který bude udávat, zda jsou hodnoty padj menší než 0,05.
Vytvoř volcano plot hodnot log2 foldchange oproti hodnotám -log10 upraveného p-value pomocí ggplot() a obarvi body genů podle toho, zda jsou statisticky významné, nebo ne.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create MA plot
___

# Generate logical column 
smoc2_res_all <- data.frame(smoc2_res) %>% mutate(threshold = padj < 0.05)
              
# Create the volcano plot
ggplot(___) + 
        geom_point(aes(x = ___, y = -log10(___), color = ___)) + 
        xlab("log2 fold change") + 
        ylab("-log10 adjusted p-value") + 
        theme(legend.position = "none", 
              plot.title = element_text(size = rel(1.5), hjust = 0.5), 
              axis.title = element_text(size = rel(1.25)))

Upravit a spustit kód