DE-Analyse

HINWEIS: Das Laden dieser Übung kann etwas länger dauern.

Wir arbeiten weiterhin mit dem vollständigen Datensatz und vergleichen die Gene, die signifikante Expressionsunterschiede zwischen normalen und Fibrose-Proben aufweisen, unabhängig vom Genotyp (design: ~ genotype + condition). Daher verwenden wir das in der vorherigen Übung erstellte DESeq2-Objekt dds_all. Gehe davon aus, dass dieses Objekt erstellt wurde und alle Bibliotheken geladen sind. In dieser Übung führen wir unüberwachte Clustering-Analysen durch, um die Clusterbildung unserer Proben und Quellen der Variation zu untersuchen.

Diese Übung ist Teil des Kurses

RNA-Seq mit Bioconductor in R

Kurs anzeigen

Anleitung zur Übung

Wandle die normalisierten Counts im Objekt dds_all mit der Funktion vst() logarithmisch, ohne Informationen zu den Probengruppen zu berücksichtigen (blind).
Erstelle eine Korrelations-Heatmap der Korrelationswerte der logarithmisch normalisierten Counts mit pheatmap(). Füge Annotationsleisten für genotype und condition hinzu.
Zeichne die PCA mit plotPCA() unter Verwendung von vsd_all. Färbe den Plot nach condition.
Zeichne die PCA mit plotPCA() unter Verwendung von vsd_all. Färbe den Plot nach genotype.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Log transform counts for QC
vsd_all <- ___(___, blind = ___)

# Create heatmap of sample correlation values
vsd_all %>% 
        ___() %>%
        ___() %>%
        ___(annotation = select(all_metadata, c("___", "___")))

# Create the PCA plot for PC1 and PC2 and color by condition       
___(___, ___ = ___)

# Create the PCA plot for PC1 and PC2 and color by genotype       
___(___, ___ = ___)

Code bearbeiten und ausführen