PCA-analyse
Om door te gaan met de kwaliteitscontrole van onze samples, voeren we in het eerste deel van deze oefening een PCA uit om te zien hoe onze samples clusteren en of onze conditie van interesse overeenkomt met de hoofdcomponenten die de meeste variatie in de data verklaren. In het tweede deel beantwoorden we vragen over de PCA-plot.
Om de overeenkomst tussen de smoc2-samples met PCA te beoordelen, moeten we eerst de genormaliseerde tellingen transformeren en daarna de PCA-analyse uitvoeren. Ga ervan uit dat alle libraries zijn geladen, het DESeq2-object is aangemaakt en de size factors zijn opgeslagen in het DESeq2-object, dds_smoc2.
Deze oefening maakt deel uit van de cursus
RNA-Seq met Bioconductor in R
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Transform the normalized counts
vsd_smoc2 <- vst(dds_smoc2, blind = TRUE)
# Plot the PCA of PC1 and PC2
___(___, intgroup=___)