Samenvatting RNA-Seq DE-workflow

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

Laten we de DESeq2-workflow doorlopen met de volledige gegevensset, met zowel wildtype- als smoc2-overexpressiemonsters. We hebben de bibliotheken DESeq2 en dplyr alvast geladen en het metadata-bestand all_metadata en het ruwe telbestand all_rawcounts voor je ingelezen.

full metadata

Deze oefening maakt deel uit van de cursus

RNA-Seq met Bioconductor in R

Cursus bekijken

Oefeninstructies

Controleer of de monsters in dezelfde volgorde staan in zowel all_rawcounts als all_metadata met rownames(), colnames(), all() en de operator %in%.
Maak het DESeq2-object met het juiste design: test het effect van condition terwijl je corrigeert voor genotype.
Maak het DESeq2-object met het juiste design waarbij je afzonderlijk corrigeert voor genotype en condition, maar test voor genotype:condition.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Check that all of the samples are in the same order in the metadata and count data
all(___(___) %in% ___(___))

# DESeq object to test for the effect of fibrosis regardless of genotype
dds_all <- DESeqDataSetFromMatrix(countData = ___,
                        colData = ___,
                        design = ___)

# DESeq object to test for the effect of genotype on the effect of fibrosis                        
dds_complex <- DESeqDataSetFromMatrix(countData = ___,
                                ___,
                                ___)

Code bewerken en uitvoeren