การสร้างภาพข้อมูลด้วย DESeq2 - Heatmap

หมายเหตุ: แบบฝึกหัดนี้อาจใช้เวลาโหลดนานกว่าปกติเล็กน้อย

การสร้างภาพข้อมูลช่วยให้เราสำรวจยีนที่มีนัยสำคัญได้อย่างละเอียดยิ่งขึ้น Expression heatmap ช่วยให้เห็นความแตกต่างของการแสดงออกของยีนที่มีนัยสำคัญทั้งหมดระหว่างกลุ่มตัวอย่าง ส่วน expression plot ช่วยให้เราดูยีนที่มีนัยสำคัญสูงสุด หรือเลือกยีนที่สนใจเพื่อตรวจสอบระดับการแสดงออกระหว่างกลุ่มตัวอย่างได้

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

RNA-Seq ด้วย Bioconductor ใน R

ดูคอร์ส

คำแนะนำการฝึกหัด

กรอง normalized counts ให้เหลือเฉพาะยีนที่มีนัยสำคัญ โดยใช้ row names ของผลลัพธ์ที่มีนัยสำคัญ smoc2_res_sig เพื่อกรอง normalized counts จาก normalized_counts_smoc2
สร้าง heatmap โดยใช้ sig_norm_counts_smoc2 กำหนดสีด้วย palette ชื่อ heat_colors จัดกลุ่มแถว (cluster rows) โดยไม่แสดง row names และปรับขนาดค่าตามแถว (scale by "row") สำหรับ annotation ให้ใช้ select() เพื่อเลือกเฉพาะคอลัมน์ condition จาก smoc2_metadata

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Subset normalized counts to significant genes
sig_norm_counts_smoc2 <- ___[___(___), ]

# Choose heatmap color palette
heat_colors <- brewer.pal(n = 6, name = "YlOrRd")

# Plot heatmap
pheatmap(___, 
         color = ___, 
         cluster_rows = ___, 
         show_rownames = ___,
         annotation = ___(___, ___), 
         scale = ___)

แก้ไขและรันโค้ด