DE-analys

OBS: Den här övningen kan ta lite längre tid att läsa in.

Vi fortsätter att använda det fullständiga datasetet och jämför gener som uppvisar signifikanta uttrycksskillnader mellan normala prover och fibros-prover oavsett genotyp (design: ~ genotype + condition). Därför använder vi DESeq2-objektet dds_all som skapades i föregående övning. Anta att objektet redan är skapat och att alla bibliotek är inlästa. I den här övningen utför vi osupervisionerade klustringsanalyser för att undersöka hur proverna grupperar sig och identifiera variationskällor.

Den här övningen är en del av kursen

RNA-Seq med Bioconductor i R

Visa kurs

Övningsinstruktioner

Log-transformera de normaliserade räkningarna i objektet dds_all med funktionen vst(), utan hänsyn till provgruppsinformation.
Skapa ett korrelationsheatmap över korrelationsvärdena för de log-normaliserade räkningarna med funktionen pheatmap(). Inkludera annotationsfält för genotype och condition.
Plotta PCA med funktionen plotPCA() och använd vsd_all. Färgkoda plotten efter condition.
Plotta PCA med funktionen plotPCA() och använd vsd_all. Färgkoda plotten efter genotype.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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       
___(___, ___ = ___)

Redigera och kör kod