Mapa de calor

Antes de pasar a los detalles del flujo de trabajo de ChIP-seq en el siguiente capítulo, aquí tienes la oportunidad de echar un vistazo previo a algunos de los resultados del análisis.

En este ejercicio, vas a ver cómo visualizar diferencias entre muestras usando mapas de calor. Los datos ya están cargados y formateados para permitir graficar con la función heatmap().

La matriz de correlación de muestras está disponible como sample_cor y los recuentos normalizados de lecturas para cada pico están guardados en el objeto read_counts. En ambos casos, las dos primeras muestras son de tumores primarios y las dos últimas son resistentes al tratamiento.

Puedes pasar un vector de etiquetas de grupo a los argumentos ColSideColors y RowSideColors de la función heatmap() para resaltar qué muestras pertenecen al mismo grupo.

Este ejercicio forma parte del curso

ChIP-seq con Bioconductor en R

Ver curso

Instrucciones del ejercicio

Crea un vector con nombres de colores que pueda usarse para etiquetar grupos en la gráfica.
Representa la matriz de correlación de muestras sample_cor como un mapa de calor.
Crea un mapa de calor de los recuentos de lecturas en los picos.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Create a vector of colors to label groups (there are 2 samples per group)
group <- c(primary = rep("blue", ___), TURP = rep("red", ___))

# Plot the sample correlation matrix `sample_cor` as a heat map
# Use the group colors to label the rows and columns of the heat map
heatmap(___, ColSideColors = ___, RowSideColors = ___, 
        cexCol = 0.75, cexRow = 0.75, symm = TRUE)

# Create a heat map of peak read counts
# Use the group colors to label the columns of the heat map
___(___, ColSideColors = ___, labRow = "", cexCol = 0.75)

Editar y ejecutar código