शुरू करेंमुफ़्त में शुरू करें

DE विश्लेषण

नोट: इस अभ्यास को लोड होने में थोड़ा अधिक समय लग सकता है.

हम उसी पूर्ण डेटासेट का उपयोग जारी रखने वाले हैं जिसमें हम उन genes की तुलना करते हैं जिनमें normal और fibrosis सैंपल्स के बीच, genotype की परवाह किए बिना, अभिव्यक्ति में महत्वपूर्ण अंतर दिखते हैं (design: ~ genotype + condition). इसलिए, हम पिछले अभ्यास में बनाए गए अपने dds_all DESeq2 ऑब्जेक्ट का उपयोग करेंगे. मान लीजिए यह ऑब्जेक्ट बना हुआ है और सभी लाइब्रेरीज़ लोड हैं. इस अभ्यास में, आइए अपने सैंपल्स के क्लस्टरिंग और variation के स्रोतों को समझने के लिए unsupervised क्लस्टरिंग विश्लेषण करें.

यह अभ्यास पाठ्यक्रम का हिस्सा है

R में Bioconductor के साथ RNA-Seq

पाठ्यक्रम देखें

अभ्यास निर्देश

  • सैंपल ग्रुप जानकारी को अनदेखा रखते हुए vst() फंक्शन का उपयोग करके dds_all ऑब्जेक्ट के अंदर normalized counts को log transform करें.

  • pheatmap() फंक्शन का उपयोग करके log-normalized counts के correlation मानों का correlation heatmap बनाएँ. genotype और condition के लिए annotation bars शामिल करें.

  • plotPCA() फंक्शन के साथ vsd_all का उपयोग करके PCA प्लॉट करें. प्लॉट को condition के आधार पर रंगें.

  • plotPCA() फंक्शन के साथ vsd_all का उपयोग करके PCA प्लॉट करें. प्लॉट को genotype के आधार पर रंगें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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       
___(___, ___ = ___)
कोड संपादित करें और चलाएँ