Heatmap

Voordat je in het volgende hoofdstuk de details van de ChIP-seq-werkstroom ingaat, kun je hier alvast een voorproefje krijgen van enkele resultaten van de analyse.

In deze oefening kijk je hoe je verschillen tussen samples kunt visualiseren met heatmaps. De data is al ingeladen en geformatteerd zodat je kunt plotten met de functie heatmap().

De correlatiematrix van de samples is beschikbaar als sample_cor en genormaliseerde read-tellingen voor elke piek staan in het object read_counts. In beide gevallen zijn de eerste twee samples van primaire tumoren en de laatste twee therapieresistent.

Je kunt een vector met grouplabels doorgeven aan de argumenten ColSideColors en RowSideColors in de functie heatmap() om te markeren welke samples tot dezelfde groep behoren.

Deze oefening maakt deel uit van de cursus

ChIP-seq met Bioconductor in R

Bekijk cursus

Oefeninstructies

Maak een vector met kleurnamen die je kunt gebruiken om groepen in de plot te labelen.
Plot de correlatiematrix van de samples sample_cor als een heatmap.
Maak een heatmap van de read-tellingen per piek.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Create a vector of colors to label groups (there are 2 samples per group)
group <- c(primary = rep("blue", ___), TURP = rep("red", ___))

# Plot the sample correlation matrix `sample_cor` as a heat map
# Use the group colors to label the rows and columns of the heat map
heatmap(___, ColSideColors = ___, RowSideColors = ___, 
        cexCol = 0.75, cexRow = 0.75, symm = TRUE)

# Create a heat map of peak read counts
# Use the group colors to label the columns of the heat map
___(___, ColSideColors = ___, labRow = "", cexCol = 0.75)

Code bewerken en uitvoeren