Resultat från DE-analys

Efter att ha utforskat PCA och korrelationsheatmap hittade vi tydlig klustring av våra sampel längs PC1, som verkade representera variationen i data till följd av fibros, och PC2, som verkade representera variationen till följd av smoc2-överuttryck. Vi hittade inga ytterligare variationskällor i data och inga avvikare att ta bort. Därför kan vi gå vidare med att köra DESeq2, DE-testning och krympning av fold changes. Vi har utfört dessa steg åt dig för att generera de slutliga resultaten, res_all.

I den här övningen ska vi filtrera fram signifikanta gener från resultaten och visa de 10 mest signifikanta DE-generna sorterade efter justerat p-värde.

Den här övningen är en del av kursen

RNA-Seq med Bioconductor i R

Visa kurs

Övningsinstruktioner

Använd funktionen subset() för att extrahera de värden som har ett justerat p-värde under 0,05. Spara delmängden som en dataram med namnet smoc2_sig genom att använda funktionen data.frame() och konvertera radnamnen till en kolumn med namnet geneID med hjälp av funktionen rownames_to_column().
Sortera de signifikanta resultaten efter justerade p-värden med funktionen arrange(), välj kolumnerna med Ensembl-gen-ID och justerade p-värden, och visa de mest signifikanta generna med head().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Select significant genese with padj < 0.05
smoc2_sig <- subset(___, ___) %>%
  				___() %>%
  				___(var = ___)

# Extract the top 6 genes with padj values
smoc2_sig %>%
	___(___) %>%
	select(___, ___) %>%
	head()

Redigera och kör kod