Hierarchický heatmap podle podmínky

Při hodnocení kvality počtů potřebujeme transformovat normalizované počty pro lepší vizualizaci rozptylu v rámci analýz shlukování bez učitele. Abychom mohli posoudit podobnost vzorků smoc2 pomocí hierarchických heatmap, transformuj normalizované počty a proveď analýzu hierarchického shlukování. Předpokládej, že všechny knihovny jsou načteny, objekt DESeq2 byl vytvořen a faktory velikosti byly uloženy do objektu DESeq2 dds_smoc2.

Toto cvičení je součástí kurzu

RNA-Seq s Bioconductorem v R

Zobrazit kurz

Pokyny k cvičení

Transformuj normalizované počty z objektu dds_smoc2 pomocí funkce vst() s argumentem blind a výsledek ulož do vsd_smoc2.
Extrahuj matici transformovaných normalizovaných počtů z objektu vsd_smoc2 pomocí funkce assay() a ulož ji jako vsd_mat_smoc2.
Vypočítej hodnoty korelace mezi vzorky a ulož je do vsd_cor_smoc2.
Vytvoř heatmap hodnot korelace pomocí pheatmap() s anotačním pruhem označujícím condition z datového rámce smoc2_metadata.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Transform the normalized counts 
vsd_smoc2 <- ___(___, ___)

# Extract the matrix of transformed counts
vsd_mat_smoc2 <- ___(___)

# Compute the correlation values between samples
vsd_cor_smoc2 <- ___(___) 

# Plot the heatmap
___(___, annotation = select(___, ___))

Upravit a spustit kód