Visualisations DESeq2 — graphiques MA et volcans

REMARQUE : Le chargement de cet exercice peut prendre un peu plus de temps.

Pour explorer les résultats, les visualisations sont utiles pour obtenir une vue d'ensemble des données ainsi que des caractéristiques des gènes significatifs. En général, on s'attend à voir des gènes significatifs identifiés sur tout l'éventail des valeurs moyennes, ce que l'on peut représenter avec un graphique MA. Si l'on ne voit des gènes significatifs qu'avec des valeurs moyennes élevées, cela pourrait indiquer un problème avec nos données. Le graphique en volcan nous aide à évaluer l'ampleur des variations d'expression (fold change) nécessaires pour déterminer la significativité dans nos données.

Explorons nos résultats à l'aide de graphiques MA et de volcans.

Cette activité fait partie du cours

RNA-Seq avec Bioconductor dans R

Voir le cours

Instructions de l’exercice

Créez un graphique MA avec la fonction plotMA() en utilisant l'objet de résultats smoc2_res comme entrée.
Ajoutez une nouvelle colonne, un vecteur logique indiquant si les valeurs padj sont inférieures à 0,05, à l'aide de la fonction mutate().
Créez un graphique en volcan des valeurs de la variation d'expression log2 (log2 fold change) par rapport à la valeur de p ajustée en -log10 avec ggplot() et coloriez les points correspondant aux gènes selon qu'ils sont significatifs ou non.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create MA plot
___

# Generate logical column 
smoc2_res_all <- data.frame(smoc2_res) %>% mutate(threshold = padj < 0.05)
              
# Create the volcano plot
ggplot(___) + 
        geom_point(aes(x = ___, y = -log10(___), color = ___)) + 
        xlab("log2 fold change") + 
        ylab("-log10 adjusted p-value") + 
        theme(legend.position = "none", 
              plot.title = element_text(size = rel(1.5), hjust = 0.5), 
              axis.title = element_text(size = rel(1.25)))

Modifier et exécuter le code