Visualizações no DESeq2 - heatmap

OBSERVAÇÃO: Pode levar um pouco mais de tempo para carregar este exercício.

Visualizações também ajudam a explorar os genes significativos em mais detalhes. O heatmap de expressão é útil para ver como a expressão de todos os genes significativos difere entre grupos de amostras, enquanto o gráfico de expressão permite analisar os genes mais significativos ou escolher genes individuais de interesse para investigar os níveis de expressão entre os grupos de amostras.

Este exercício faz parte do curso

RNA-Seq com Bioconductor em R

Ver curso

Instruções do exercício

Faça um subconjunto dos counts normalizados para incluir apenas os genes significativos. Use os nomes das linhas dos resultados significativos smoc2_res_sig para filtrar os counts normalizados, normalized_counts_smoc2.
Crie o heatmap usando sig_norm_counts_smoc2. Colora o heatmap usando a paleta heat_colors, faça o agrupamento (cluster) das linhas sem mostrar os nomes das linhas e faça a padronização (scale) dos valores por "row". Para a anotação, use select() para selecionar apenas a coluna condition de smoc2_metadata.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Subset normalized counts to significant genes
sig_norm_counts_smoc2 <- ___[___(___), ]

# Choose heatmap color palette
heat_colors <- brewer.pal(n = 6, name = "YlOrRd")

# Plot heatmap
pheatmap(___, 
         color = ___, 
         cluster_rows = ___, 
         show_rownames = ___,
         annotation = ___(___, ___), 
         scale = ___)

Editar e executar o código