Analiza DE

UWAGA: Wczytanie tego ćwiczenia może chwilę potrwać.

Będziemy nadal pracować na pełnym zbiorze danych, porównując geny wykazujące istotne różnice w ekspresji między próbkami normalnymi a próbkami z fibrozą, niezależnie od genotypu (design: ~ genotype + condition). W tym celu skorzystamy z obiektu DESeq2 dds_all utworzonego w poprzednim ćwiczeniu. Przyjmij, że obiekt ten jest już gotowy, a wszystkie biblioteki są załadowane. W tym ćwiczeniu przeprowadź nienadzorowaną analizę skupień, aby zbadać grupowanie próbek i źródła zmienności.

To ćwiczenie jest częścią kursu

RNA-Seq z Bioconductor w R

Zobacz kurs

Instrukcje do ćwiczenia

Wykonaj transformację logarytmiczną znormalizowanych zliczeń z obiektu dds_all, używając funkcji vst() w trybie ślepym na informacje o grupach próbek.
Utwórz mapę cieplną korelacji (ang. correlation heatmap) dla logarytmicznie znormalizowanych zliczeń, korzystając z funkcji pheatmap(). Dodaj paski adnotacji dla genotype oraz condition.
Narysuj wykres PCA za pomocą funkcji plotPCA(), używając obiektu vsd_all. Pokoloruj wykres według condition.
Narysuj wykres PCA za pomocą funkcji plotPCA(), używając obiektu vsd_all. Pokoloruj wykres według genotype.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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       
___(___, ___ = ___)

Edytuj i uruchom kod