PCA-Analyse
Um mit der Qualitätsbewertung unserer Proben fortzufahren, führen wir im ersten Teil dieser Übung eine PCA durch, um zu sehen, wie unsere Proben clustern und ob unsere interessierende Bedingung mit den Hauptkomponenten übereinstimmt, die den größten Teil der Variation in den Daten erklären. Im zweiten Teil beantworten wir Fragen zum PCA-Plot.
Um die Ähnlichkeit der smoc2-Proben mittels PCA zu beurteilen, müssen wir die normalisierten Counts transformieren und anschließend die PCA-Analyse durchführen. Gehe davon aus, dass alle Bibliotheken geladen sind, das DESeq2-Objekt erstellt wurde und die Size Factors im DESeq2-Objekt dds_smoc2 gespeichert sind.
Diese Übung ist Teil des Kurses
RNA-Seq mit Bioconductor in R
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Transform the normalized counts
vsd_smoc2 <- vst(dds_smoc2, blind = TRUE)
# Plot the PCA of PC1 and PC2
___(___, intgroup=___)