Hierarchische Heatmap nach condition

Für die Qualitätsbeurteilung unserer Zähldaten müssen wir die normalisierten Counts transformieren, um die Varianz für unüberwachte Clustering-Analysen besser zu visualisieren. Um die Ähnlichkeit der smoc2-Proben mit hierarchischen Heatmaps zu beurteilen, transformiere die normalisierten Counts und führe eine hierarchische Clusteranalyse durch. Gehe davon aus, dass alle Libraries geladen, das DESeq2-Objekt erstellt und die Size Factors im DESeq2-Objekt dds_smoc2 gespeichert wurden.

Diese Übung ist Teil des Kurses

RNA-Seq mit Bioconductor in R

Kurs anzeigen

Anleitung zur Übung

Transformiere die normalisierten Counts aus dem Objekt dds_smoc2 mit der Funktion vst() und dem Argument blind, und speichere das Ergebnis in vsd_smoc2.
Extrahiere die Matrix der transformierten normalisierten Counts aus dem Objekt vsd_smoc2 mit der Funktion assay() und speichere sie als vsd_mat_smoc2.
Berechne die Korrelationswerte zwischen den Proben und speichere sie in vsd_cor_smoc2.
Erstelle eine Heatmap der Korrelationswerte mit pheatmap() und einer Annotationsleiste, die condition aus dem Data Frame smoc2_metadata anzeigt.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Transform the normalized counts 
vsd_smoc2 <- ___(___, ___)

# Extract the matrix of transformed counts
vsd_mat_smoc2 <- ___(___)

# Compute the correlation values between samples
vsd_cor_smoc2 <- ___(___) 

# Plot the heatmap
___(___, annotation = select(___, ___))

Code bearbeiten und ausführen