Zusammenfassung des RNA-Seq-DE-Workflows

HINWEIS: Das Laden dieser Übung kann etwas länger dauern.

lass uns den DESeq2-Workflow mit dem vollständigen Datensatz durchlaufen, der sowohl Wildtyp- als auch smoc2-Überexpressionsproben enthält. Wir haben die Bibliotheken DESeq2 und dplyr geladen sowie die Metadatendatei all_metadata und die Rohzähldatei all_rawcounts für dich eingelesen.

full metadata

Diese Übung ist Teil des Kurses

RNA-Seq mit Bioconductor in R

Kurs anzeigen

Anleitung zur Übung

Prüfe, ob die Proben in all_rawcounts und all_metadata in derselben Reihenfolge vorliegen, und verwende dazu rownames(), colnames(), all() und den Operator %in%.
Erzeuge das DESeq2-Objekt mit dem passenden Design: teste den Effekt von condition und kontrolliere dabei für genotype.
Erzeuge das DESeq2-Objekt mit dem passenden Design, indem du für genotype und condition jeweils kontrollierst, aber für genotype:condition testest.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Check that all of the samples are in the same order in the metadata and count data
all(___(___) %in% ___(___))

# DESeq object to test for the effect of fibrosis regardless of genotype
dds_all <- DESeqDataSetFromMatrix(countData = ___,
                        colData = ___,
                        design = ___)

# DESeq object to test for the effect of genotype on the effect of fibrosis                        
dds_complex <- DESeqDataSetFromMatrix(countData = ___,
                                ___,
                                ___)

Code bearbeiten und ausführen