Analiza PCA
Aby kontynuować ocenę jakości próbek, w pierwszej części ćwiczenia wykonamy analizę PCA – sprawdzimy, jak próbki grupują się w klastry oraz czy interesujący nas warunek odpowiada głównym składowym wyjaśniającym największą część wariancji w danych. W drugiej części odpowiemy na pytania dotyczące wykresu PCA.
Aby ocenić podobieństwo próbek smoc2 za pomocą PCA, musimy najpierw przekształcić znormalizowane liczebności, a następnie przeprowadzić analizę PCA. Przyjmij, że wszystkie biblioteki zostały załadowane, obiekt DESeq2 utworzony, a współczynniki rozmiaru zapisane w obiekcie DESeq2 dds_smoc2.
To ćwiczenie jest częścią kursu
RNA-Seq z Bioconductor w R
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Transform the normalized counts
vsd_smoc2 <- vst(dds_smoc2, blind = TRUE)
# Plot the PCA of PC1 and PC2
___(___, intgroup=___)