Análisis DE

NOTA: Cargar este ejercicio puede tardar un poco más.

Vamos a seguir usando el conjunto de datos completo para comparar los genes que muestran diferencias significativas de expresión entre las muestras normales y de fibrosis, independientemente del genotipo (design: ~ genotype + condition). Por tanto, utilizaremos nuestro objeto de DESeq2 dds_all creado en el ejercicio anterior. Supón que este objeto ya está creado y que todas las librerías están cargadas. En este ejercicio, realizaremos análisis de agrupamiento no supervisado para explorar el agrupamiento de nuestras muestras y las fuentes de variación.

Este ejercicio forma parte del curso

RNA-Seq con Bioconductor en R

Ver curso

Instrucciones del ejercicio

Aplica la transformación logarítmica a los conteos normalizados dentro del objeto dds_all usando la función vst(), ignorando la información del grupo de muestra (blind).
Crea el mapa de calor de las correlaciones de los conteos normalizados con log usando la función pheatmap(). Incluye barras de anotación para genotype y condition.
Representa el PCA con la función plotPCA() usando vsd_all. Colorea la gráfica por condition.
Representa el PCA con la función plotPCA() usando vsd_all. Colorea la gráfica por genotype.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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       
___(___, ___ = ___)

Editar y ejecutar código