Heatmap

Bevor es im nächsten Kapitel mit den Details des ChIP-seq-Workflows weitergeht, kannst du dir hier schon einmal einige Analyseergebnisse ansehen.

In dieser Übung schaust du dir an, wie sich Unterschiede zwischen Proben mit Heatmaps visualisieren lassen. Die Daten sind bereits geladen und so formatiert, dass sie mit der Funktion heatmap() geplottet werden können.

Die Probenkorrelationsmatrix ist als sample_cor verfügbar und normalisierte Read-Zählungen für jeden Peak sind im Objekt read_counts gespeichert. In beiden Fällen stammen die ersten beiden Proben von Primärtumoren, die letzten beiden sind therapieresistent.

Du kannst einen Vektor mit Gruppenlabels an die Argumente ColSideColors und RowSideColors der Funktion heatmap() übergeben, um hervorzuheben, welche Proben zur gleichen Gruppe gehören.

Diese Übung ist Teil des Kurses

<Kurs>ChIP-seq mit Bioconductor in R</Kurs>

Kurs ansehen

Übungsanweisungen

Erstelle einen Vektor mit Farbnamen, der zur Beschriftung der Gruppen im Plot verwendet werden kann.
Plotte die Probenkorrelationsmatrix sample_cor als Heatmap.
Erstelle eine Heatmap der Peak-Read-Zählungen.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Create a vector of colors to label groups (there are 2 samples per group)
group <- c(primary = rep("blue", ___), TURP = rep("red", ___))

# Plot the sample correlation matrix `sample_cor` as a heat map
# Use the group colors to label the rows and columns of the heat map
heatmap(___, ColSideColors = ___, RowSideColors = ___, 
        cexCol = 0.75, cexRow = 0.75, symm = TRUE)

# Create a heat map of peak read counts
# Use the group colors to label the columns of the heat map
___(___, ColSideColors = ___, labRow = "", cexCol = 0.75)

Code bearbeiten und ausführen