DESeq2-Modell – Dispersionswerte erkunden
HINWEIS: Das Laden dieser Übung kann etwas länger dauern.
Nachdem du im vorherigen Schritt das Modell angepasst hast, schauen wir uns an, wie gut unsere smoc2-Daten zum Negativ-Binomial-Modell passen, indem wir die Dispersionsschätzungen mit der Funktion plotDispEsts() visualisieren. Denk daran: Die Dispersionsschätzungen werden verwendet, um die Rohzählwerte zu modellieren. Wenn die Dispersionswerte nicht den Annahmen von DESeq2 folgen, kann die Variation in den Daten schlecht geschätzt werden und die DE-Ergebnisse können ungenauer ausfallen.
Die Annahmen von DESeq2 sind, dass die Dispersionen im Allgemeinen mit wachsendem Mittelwert abnehmen und sich in etwa an die angepasste Linie anlehnen sollten.
Diese Übung ist Teil des Kurses
RNA-Seq mit Bioconductor in R
Anleitung zur Übung
- Plotte die Dispersionsschätzungen für die
smoc2-Daten mit der FunktionplotDispEsts(). Gehe davon aus, dass alle vorherigen Schritte ausgeführt wurden, einschließlich der Erstellung des DESeq2-Objektsdds_smoc2und dem Ausführen der FunktionDESeq().
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Plot dispersions
___(___)