Normaliseren

Ruwe genexpressiegegevens zijn rommelig, zeker omdat veel genen niet relevant zijn voor het systeem dat je bestudeert. Zodra je een nieuwe gegevensset ontvangt, is de eerste stap het visualiseren van de data en het uitvoeren van de nodige pre-processingstappen.

Deze oefening maakt deel uit van de cursus

Differentiële-expressieanalyse met limma in R

Cursus bekijken

Oefeninstructies

Het ExpressionSet-object eset_raw met de ruwe Populus-gegevens is in je werkruimte geladen.

Gebruik plotDensities om de verdeling van genexpressieniveaus per sample te visualiseren. Schakel de legenda uit.
Logtransformeer de metingen en visualiseer opnieuw.
Voer kwantielnormalisatie uit op de metingen met normalizeBetweenArrays en visualiseer opnieuw.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

library(limma)

# Create new ExpressionSet to store normalized data
eset_norm <- eset_raw

# View the distribution of the raw data
___(eset_norm, legend = ___)

# Log tranform
exprs(eset_norm) <- ___(exprs(eset_norm))
___(eset_norm, legend = ___)

# Quantile normalize
exprs(eset_norm) <- ___(exprs(eset_norm))
___(eset_norm, legend = ___)

Code bewerken en uitvoeren