Модель DESeq2 — анализ дисперсий

Примечание: загрузка этого упражнения может занять немного больше времени, чем обычно.

После подгонки модели в предыдущем упражнении давайте оценим, насколько хорошо данные smoc2 соответствуют отрицательной биномиальной модели. Для этого построим график оценок дисперсии с помощью функции plotDispEsts(). Напомним, что оценки дисперсии используются для моделирования необработанных счётчиков: если дисперсии не соответствуют допущениям DESeq2, вариабельность данных может быть оценена некорректно, а результаты дифференциальной экспрессии — оказаться менее точными.

DESeq2 исходит из того, что дисперсии, как правило, должны убывать с ростом среднего значения и в целом следовать аппроксимирующей кривой.