DE analýza

POZNÁMKA: Načtení tohoto cvičení může chvíli trvat.

Budeme pokračovat s úplnou datovou sadou a porovnávat geny, které vykazují výrazné rozdíly v expresi mezi normálními vzorky a vzorky s fibrózou bez ohledu na genotyp (design: ~ genotype + condition). Použijeme tedy objekt dds_all DESeq2 vytvořený v předchozím cvičení. Předpokládej, že tento objekt je vytvořen a všechny knihovny jsou načteny. V tomto cvičení proveď analýzy shlukování bez učitele, abys prozkoumali shlukování vzorků a zdroje variability.

Toto cvičení je součástí kurzu

RNA-Seq s Bioconductorem v R

Zobrazit kurz

Pokyny k cvičení

Log-transformuj normalizované počty v objektu dds_all pomocí funkce vst(), a to slepě vůči informacím o skupině vzorků.
Vytvoř korelační heatmapu korelačních hodnot log-normalizovaných počtů pomocí funkce pheatmap(). Přidej anotační sloupce pro genotype a condition.
Vykresli PCA pomocí funkce plotPCA() s objektem vsd_all. Obarvi graf podle condition.
Vykresli PCA pomocí funkce plotPCA() s objektem vsd_all. Obarvi graf podle genotype.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Log transform counts for QC
vsd_all <- ___(___, blind = ___)

# Create heatmap of sample correlation values
vsd_all %>% 
        ___() %>%
        ___() %>%
        ___(annotation = select(all_metadata, c("___", "___")))

# Create the PCA plot for PC1 and PC2 and color by condition       
___(___, ___ = ___)

# Create the PCA plot for PC1 and PC2 and color by genotype       
___(___, ___ = ___)

Upravit a spustit kód