1. Nauka
    2. /
  2. Kursy
    3. /
  3. RNA-Seq z Bioconductor w R
Connected

ćwiczenie

Model DESeq2 – analiza dyspersji

UWAGA: Wczytanie tego ćwiczenia może chwilę potrwać.

Po dopasowaniu modelu w poprzednim ćwiczeniu przyjrzyjmy się, jak dane smoc2 pasują do modelu ujemnego dwumianowego. Zwizualizujemy estymaty dyspersji za pomocą funkcji plotDispEsts(). Pamiętaj, że estymaty dyspersji służą do modelowania surowych liczeń – jeśli dyspersje nie spełniają założeń DESeq2, zmienność w danych może być błędnie oszacowana, a wyniki analizy DE – mniej dokładne.

DESeq2 zakłada, że dyspersje powinny ogólnie maleć wraz ze wzrostem średniej oraz że powinny mniej więcej odpowiadać dopasowanej linii trendu.

Instrukcje

100 XP
  • Zwizualizuj estymaty dyspersji dla danych smoc2, używając funkcji plotDispEsts(). Przyjmij, że wszystkie poprzednie kroki zostały już wykonane – w tym utworzenie obiektu DESeq2 dds_smoc2 oraz uruchomienie funkcji DESeq().