DE-analyse

LET OP: Het kan iets langer duren voordat deze oefening is geladen.

We gaan verder met de volledige gegevensset en vergelijken de genen die significante expressieverschillen vertonen tussen normale en fibrosemonsters, ongeacht het genotype (design: ~ genotype + condition). Daarom gebruiken we ons dds_all-DESeq2-object dat in de vorige oefening is gemaakt. Ga ervan uit dat dit object is aangemaakt en dat alle libraries zijn geladen. In deze oefening voeren we de ongecontroleerde clusteranalyses uit om de clustering van onze monsters en de bronnen van variatie te verkennen.

Deze oefening maakt deel uit van de cursus

RNA-Seq met Bioconductor in R

Cursus bekijken

Oefeninstructies

Pas een log-transformatie toe op de genormaliseerde tellingen in het dds_all-object met de functie vst(), zonder rekening te houden met samplegroepsinformatie (blind).
Maak de correlatie-heatmap van de correlatiewaarden van de log-genormaliseerde tellingen met de functie pheatmap(). Voeg annotatiebalken toe voor genotype en condition.
Plot de PCA met de functie plotPCA() met vsd_all. Kleur de plot op condition.
Plot de PCA met de functie plotPCA() met vsd_all. Kleur de plot op genotype.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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       
___(___, ___ = ___)

Code bewerken en uitvoeren