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 avoir à la fois une vue d’ensemble des données et les caractéristiques des gènes significatifs. En général, on s’attend à voir des gènes significatifs identifiés sur l’ensemble de 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 peut indiquer un problème avec nos données. Le volcan permet d’estimer l’amplitude des fold changes nécessaire pour mettre en évidence la significativité dans nos données.

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

Cet exercice fait partie du cours

RNA-Seq avec Bioconductor en R

Afficher le cours

Instructions

Créez un graphique MA avec la fonction plotMA() en utilisant l’objet de résultats smoc2_res en entrée.
Créez une nouvelle colonne sous forme de vecteur logique indiquant si les valeurs padj des résultats sont inférieures à 0,05 à l’aide de la fonction mutate().
Créez un volcan représentant les valeurs de log2 fold change en fonction de la valeur p ajustée en -log10 avec ggplot() et colorez les points des gènes selon qu’ils sont significatifs ou non.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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