Wyniki analizy DE
Po przeanalizowaniu PCA i macierzy korelacji stwierdziliśmy wyraźne grupowanie próbek na PC1, które zdawało się odzwierciedlać zmienność danych związaną z fibrозą, oraz na PC2, odpowiadającym zmienności wynikającej z nadekspresji smoc2. Nie znaleźliśmy dodatkowych źródeł zmienności ani wartości odstających do usunięcia. Możemy więc przejść do uruchomienia DESeq2, testowania DE oraz skurczenia wartości krotności zmian. Te kroki zostały już wykonane za ciebie, aby wygenerować ostateczne wyniki zapisane w obiekcie res_all.
W tym ćwiczeniu wyodrębnimy geny istotne statystycznie z wyników i wyświetlimy 10 najlepszych genów DE według skorygowanej wartości p.
To ćwiczenie jest częścią kursu
RNA-Seq z Bioconductor w R
Instrukcje do ćwiczenia
Użyj funkcji
subset(), aby wyodrębnić wartości ze skorygowaną wartością p mniejszą niż 0,05. Zapisz podzbiór jako ramkę danych o nazwiesmoc2_sig, korzystając z funkcjidata.frame()i przekształcając nazwy wierszy na kolumnęgeneIDza pomocą funkcjirownames_to_column().Posortuj istotne wyniki według skorygowanych wartości p, używając funkcji
arrange(), wybierz kolumny z identyfikatorami genów Ensembl oraz skorygowanymi wartościami p, a następnie wyświetl najistotniejsze geny za pomocąhead().
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Select significant genese with padj < 0.05
smoc2_sig <- subset(___, ___) %>%
___() %>%
___(var = ___)
# Extract the top 6 genes with padj values
smoc2_sig %>%
___(___) %>%
select(___, ___) %>%
head()