Features vorverarbeiten

In der Videoübung hast du gesehen, dass die Stichprobenverteilungen in der Doxorubicin-Studie stark rechtsschief waren. Daher ist der erste Schritt, die Features vorzuverarbeiten: log-transformieren, normalisieren und filtern.

Diese Übung ist Teil des Kurses

Differenzielle Expressionsanalyse mit limma in R

Kurs anzeigen

Anleitung zur Übung

Das ExpressionSet-Objekt eset_raw mit den Rohdaten wurde in deinen Workspace geladen. Das Paket limma ist geladen.

Führe eine Log-Transformation der Messwerte durch. Nutze plotDensities zur Visualisierung. Beschrifte die Samples mit ihrem Genotyp.
Führe eine Quantilnormalisierung der Messwerte mit normalizeBetweenArrays durch und visualisiere erneut.
Verwende rowMeans, um zu bestimmen, welche Gene einen mittleren Expressionslevel größer als 0 haben.
Filtere die Gene (d. h. Zeilen) mit dem logischen Vektor keep und visualisiere erneut.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Create a new ExpressionSet to store the processed data
eset <- eset_raw
# Log transform
exprs(eset) <- ___(exprs(eset))
___(eset,  group = pData(eset)[___], legend = "topright")
# Quantile normalize
exprs(eset) <- ___(exprs(eset))
___(eset,  group = pData(eset)[___], legend = "topright")
# Determine the genes with mean expression level greater than 0
keep <- ___(exprs(eset)) > ___
sum(keep)
# Filter the genes
eset <- eset[___]
___(eset, group = pData(eset)[___], legend = "topright")

Code bearbeiten und ausführen