DESeq2-visualisaties - heatmap

LET OP: Het kan iets langer duren om deze oefening te laden.

Visualisaties helpen ook om de significante genen verder te verkennen. De expressie-heatmap laat zien hoe verschillend de expressie van alle significante genen is tussen de groepen, terwijl je met de expressieplot naar de top significante genen kunt kijken of losse genen van interesse kunt kiezen om de expressieniveaus tussen samplegroepen te onderzoeken.

Deze oefening maakt deel uit van de cursus

RNA-Seq met Bioconductor in R

Cursus bekijken

Oefeninstructies

Maak een subset van de genormaliseerde tellingen zodat alleen de significante genen overblijven. Gebruik de rijnamen van de significante resultaten smoc2_res_sig om de genormaliseerde tellingen normalized_counts_smoc2 te subselecteren.
Maak de heatmap met sig_norm_counts_smoc2. Geef de heatmap kleur met het palet heat_colors, cluster de rijen zonder rijnamen te tonen, en schaal de waarden per "row". Gebruik voor de annotatie select() om alleen de kolom condition uit smoc2_metadata te selecteren.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Subset normalized counts to significant genes
sig_norm_counts_smoc2 <- ___[___(___), ]

# Choose heatmap color palette
heat_colors <- brewer.pal(n = 6, name = "YlOrRd")

# Plot heatmap
pheatmap(___, 
         color = ___, 
         cluster_rows = ___, 
         show_rownames = ___,
         annotation = ___(___, ___), 
         scale = ___)

Code bewerken en uitvoeren