Análise de DE

OBSERVAÇÃO: Carregar este exercício pode levar um pouco mais de tempo.

Vamos continuar usando o conjunto de dados completo, comparando os genes que apresentam diferenças significativas de expressão entre amostras normais e com fibrose, independentemente do genótipo (design: ~ genotype + condition). Portanto, usaremos nosso objeto dds_all do DESeq2 criado no exercício anterior. Considere que esse objeto já foi criado e todas as bibliotecas foram carregadas. Neste exercício, vamos realizar análises de agrupamento não supervisionado para explorar o agrupamento das amostras e as fontes de variação.

Este exercício faz parte do curso

RNA-Seq com Bioconductor em R

Ver curso

Instruções do exercício

Aplique a transformação log aos counts normalizados dentro do objeto dds_all usando a função vst(), sem considerar (blind) as informações de grupo das amostras.
Crie o mapa de calor das correlações dos counts log-normalizados usando a função pheatmap(). Inclua barras de anotação para genotype e condition.
Plote a PCA com a função plotPCA() usando vsd_all. Colora o gráfico por condition.
Plote a PCA com a função plotPCA() usando vsd_all. Colora o gráfico por genotype.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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       
___(___, ___ = ___)

Editar e executar o código