Výsledky DE analýzy

Po prozkoumání PCA a korelační heatmapy jsme zjistili dobré shlukování vzorků na PC1, které zřejmě reprezentuje variabilitu v datech způsobenou fibrózou, a na PC2, které zdánlivě představuje variabilitu danou nadměrnou expresí smoc2. Nenašli jsme žádné další zdroje variability ani žádné odlehlé hodnoty k odstranění. Můžeme tedy pokračovat spuštěním DESeq2, testováním DE a korekcí fold changes. Tyto kroky jsme pro tebe provedli, aby vznikly výsledné výsledky res_all.

V tomto cvičení vyfiltrujeme signifikantní geny z výsledků a zobrazíme 10 nejvýznamnějších DE genů podle adjustované p-hodnoty.

Toto cvičení je součástí kurzu

RNA-Seq s Bioconductorem v R

Zobrazit kurz

Pokyny k cvičení

Pomocí funkce subset() extrahuj hodnoty s adjustovanou p-hodnotou menší než 0,05. Uložte podmnožinu jako datový rámec s názvem smoc2_sig pomocí funkce data.frame() a převeď názvy řádků na sloupec geneID pomocí funkce rownames_to_column().
Seřaď signifikantní výsledky podle adjustovaných p-hodnot pomocí funkce arrange(), vyber sloupce s Ensembl ID genu a adjustovanými p-hodnotami a zobraz nejvýznamnější geny pomocí head().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Select significant genese with padj < 0.05
smoc2_sig <- subset(___, ___) %>%
  				___() %>%
  				___(var = ___)

# Extract the top 6 genes with padj values
smoc2_sig %>%
	___(___) %>%
	select(___, ___) %>%
	head()

Upravit a spustit kód