Hierarkisk heatmap per condition

Vid kvalitetsbedömning av räknedata behöver vi transformera de normaliserade räknarna för att bättre kunna visualisera variansen i samband med oövervakade klusteranalyser. Transformera de normaliserade räknarna och utför en hierarkisk klusteranalys för att bedöma likheten mellan smoc2-proverna med hjälp av hierarkiska heatmaps. Anta att alla bibliotek har laddats, att DESeq2-objektet har skapats och att storleksfaktorerna har lagrats i DESeq2-objektet dds_smoc2.

Den här övningen är en del av kursen

RNA-Seq med Bioconductor i R

Visa kurs

Övningsinstruktioner

Transformera de normaliserade räknarna från objektet dds_smoc2 med funktionen vst() och argumentet blind, och spara resultatet i vsd_smoc2.
Extrahera matrisen med transformerade normaliserade räknar från objektet vsd_smoc2 med funktionen assay() och spara den som vsd_mat_smoc2.
Beräkna korrelationsvärdena mellan proverna och spara dem i vsd_cor_smoc2.
Skapa en heatmap av korrelationsvärdena med pheatmap() och lägg till ett annotationsfält som anger condition från dataramen smoc2_metadata.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Transform the normalized counts 
vsd_smoc2 <- ___(___, ___)

# Extract the matrix of transformed counts
vsd_mat_smoc2 <- ___(___)

# Compute the correlation values between samples
vsd_cor_smoc2 <- ___(___) 

# Plot the heatmap
___(___, annotation = select(___, ___))

Redigera och kör kod