Gene filtern

Jetzt, da die Daten log-transformiert und quantil-normalisiert wurden, musst du die schwach exprimierten Gene entfernen, die für das untersuchte System nicht relevant sind.

Diese Übung ist Teil des Kurses

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

Kurs ansehen

Übungsanweisungen

Das ExpressionSet-Objekt eset_norm mit den normalisierten Populus-Daten wurde in deinen Arbeitsbereich geladen.

Verwende plotDensities, um die Verteilung der Genexpressionsniveaus für jede Probe zu visualisieren. Deaktiviere die Legende.
Verwende rowMeans, um zu bestimmen, welche Gene einen mittleren Expressionswert größer als 5 haben. Nenne diesen logischen Vektor keep.
Filtere die Gene (d. h. die Zeilen) des ExpressionSet-Objekts mit dem logischen Vektor keep und visualisiere erneut.

Interaktive praktische Übung

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

library(limma)

# Create new ExpressionSet to store filtered data
eset <- eset_norm

# View the normalized gene expression levels
___(eset, legend = ___); abline(v = 5)

# Determine the genes with mean expression level greater than 5
keep <- ___(exprs(eset)) > ___
sum(keep)

# Filter the genes
eset <- eset[___]
___(eset, legend = ___)

Code bearbeiten und ausführen