การวิเคราะห์ DE

หมายเหตุ: แบบฝึกหัดนี้อาจใช้เวลาโหลดนานกว่าปกติเล็กน้อย

เราจะใช้ชุดข้อมูลเต็มรูปแบบต่อเนื่องจากแบบฝึกหัดที่แล้ว โดยเปรียบเทียบยีนที่มีความแตกต่างของการแสดงออกอย่างมีนัยสำคัญระหว่างตัวอย่างปกติและตัวอย่าง fibrosis โดยไม่คำนึงถึง genotype (design: ~ genotype + condition) ดังนั้นเราจะใช้ออบเจกต์ DESeq2 ชื่อ dds_all ที่สร้างไว้ในแบบฝึกหัดก่อนหน้า โดยถือว่าออบเจกต์นี้ถูกสร้างขึ้นแล้วและโหลดไลบรารีทั้งหมดเรียบร้อยแล้ว ในแบบฝึกหัดนี้ให้ทำการวิเคราะห์ unsupervised clustering เพื่อสำรวจการจัดกลุ่มของตัวอย่างและแหล่งที่มาของความแปรปรวน

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

RNA-Seq ด้วย Bioconductor ใน R

ดูคอร์ส

คำแนะนำการฝึกหัด

แปลง normalized counts ใน dds_all ด้วยฟังก์ชัน vst() โดยไม่ใช้ข้อมูลกลุ่มตัวอย่าง (blind)
สร้าง correlation heatmap จากค่าสหสัมพันธ์ของ log normalized counts โดยใช้ฟังก์ชัน pheatmap() พร้อมใส่แถบ annotation สำหรับ genotype และ condition
พล็อต PCA ด้วยฟังก์ชัน plotPCA() โดยใช้ vsd_all และกำหนดสีตาม condition
พล็อต PCA ด้วยฟังก์ชัน plotPCA() โดยใช้ vsd_all และกำหนดสีตาม genotype

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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       
___(___, ___ = ___)

แก้ไขและรันโค้ด