DESeq2-Visualisierungen – MA- und Volcano-Plots

HINWEIS: Das Laden dieser Übung kann etwas länger dauern.

Um die Ergebnisse zu untersuchen, helfen Visualisierungen dabei, sowohl einen globalen Überblick über die Daten als auch die Eigenschaften der signifikanten Gene zu erhalten. In der Regel erwarten wir, dass über den gesamten Bereich der Mittelwerte hinweg signifikante Gene identifiziert werden – das lässt sich mit dem MA-Plot darstellen. Wenn wir nur signifikante Gene mit hohen Mittelwerten sehen, kann das auf ein Problem mit unseren Daten hinweisen. Der Volcano-Plot hilft uns einzuschätzen, welche Bandbreite an Fold Changes nötig ist, um Signifikanz in unseren Daten festzustellen.

schauen wir uns unsere Ergebnisse mit MA- und Volcano-Plots an.

Diese Übung ist Teil des Kurses

RNA-Seq mit Bioconductor in R

Kurs anzeigen

Anleitung zur Übung

Erstelle einen MA-Plot mit der Funktion plotMA() und verwende dafür das Result-Objekt smoc2_res als Eingabe.
Erstelle mit mutate() eine neue Spalte als logischen Vektor, der angibt, ob padj-Werte für die Ergebnisse kleiner als 0,05 sind.
Erstelle einen Volcano-Plot der Log2-Fold-Change-Werte gegenüber dem -log10-adjustierten p-Wert mit ggplot() und färbe die Punkte der Gene danach ein, ob sie signifikant sind oder nicht.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Create MA plot
___

# Generate logical column 
smoc2_res_all <- data.frame(smoc2_res) %>% mutate(threshold = padj < 0.05)
              
# Create the volcano plot
ggplot(___) + 
        geom_point(aes(x = ___, y = -log10(___), color = ___)) + 
        xlab("log2 fold change") + 
        ylab("-log10 adjusted p-value") + 
        theme(legend.position = "none", 
              plot.title = element_text(size = rel(1.5), hjust = 0.5), 
              axis.title = element_text(size = rel(1.25)))

Code bearbeiten und ausführen