Analisi DE

NOTA: il caricamento di questo esercizio potrebbe richiedere un po' più tempo.

Continuiamo a usare l'intero insieme di dati confrontando i geni che mostrano differenze di espressione significative tra campioni normali e con fibrosi, indipendentemente dal genotipo (design: ~ genotype + condition). Useremo quindi il nostro oggetto DESeq2 dds_all creato nell'esercizio precedente. Supponi che questo oggetto sia già creato e che tutte le librerie siano caricate. In questo esercizio eseguiamo le analisi di clustering non supervisionato per esplorare il raggruppamento dei campioni e le fonti di variazione.

Questo esercizio fa parte del corso

RNA-Seq con Bioconductor in R

Visualizza corso

Istruzioni dell'esercizio

Applica la trasformazione log ai conteggi normalizzati dentro l'oggetto dds_all usando la funzione vst(), in modalità blind rispetto ai gruppi di campioni.
Crea la heatmap delle correlazioni dei conteggi normalizzati in log usando la funzione pheatmap(). Includi barre di annotazione per genotype e condition.
Traccia la PCA con la funzione plotPCA() usando vsd_all. Colora il grafico per condition.
Traccia la PCA con la funzione plotPCA() usando vsd_all. Colora il grafico per genotype.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# 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       
___(___, ___ = ___)

Modifica ed esegui il codice