Normalisieren

Rohdaten der Genexpressionsmessung sind unübersichtlich – zumal viele Gene für das untersuchte System nicht relevant sind. Nachdem du einen neuen Datensatz erhalten hast, ist der erste Schritt, die Daten zu visualisieren und die notwendigen Vorverarbeitungsschritte durchzuführen.

Diese Übung ist Teil des Kurses

<Kurs>Differenzielle Expressionsanalyse mit limma in R</Kurs>

Kurs ansehen

Übungsanweisungen

Das ExpressionSet-Objekt eset_raw mit den rohen Populus-Daten wurde in deinem Arbeitsbereich geladen.

Verwende plotDensities, um die Verteilung der Genexpressionsniveaus für jede Probe zu visualisieren. Deaktiviere die Legende.
Führe eine Log-Transformation der Messwerte durch und visualisiere erneut.
Führe eine Quantil-Normalisierung der Messwerte mit normalizeBetweenArrays durch und visualisiere erneut.

Interaktive praktische Übung

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

library(limma)

# Create new ExpressionSet to store normalized data
eset_norm <- eset_raw

# View the distribution of the raw data
___(eset_norm, legend = ___)

# Log tranform
exprs(eset_norm) <- ___(exprs(eset_norm))
___(eset_norm, legend = ___)

# Quantile normalize
exprs(eset_norm) <- ___(exprs(eset_norm))
___(eset_norm, legend = ___)

Code bearbeiten und ausführen