BaşlayınÜcretsiz başlayın

Özellikleri ön işle

Video egzersizinde, doxorubicin çalışmasına ait örnek dağılımlarının aşırı derecede sağa çarpık olduğunu gördün. Bu yüzden ilk adımın, özellikleri ön işlemek: log dönüşümü, normalize etme ve filtreleme.

Bu egzersiz, kursun bir parçasıdır

R ile limma kullanarak Diferansiyel Ekspresyon Analizi

Kursa Göz Atın

Egzersiz talimatları

Çalışma alanına ham verilerle birlikte eset_raw adlı ExpressionSet nesnesi yüklendi. limma paketi yüklü.

  • Ölçümleri log dönüşümünden geçir. Görselleştirmek için plotDensities kullan. Örnekleri genotiplerine göre etiketle.

  • Ölçümleri normalizeBetweenArrays ile çeyreklik (quantile) normalizasyonundan geçir ve tekrar görselleştir.

  • Hangi genlerin ortalama ifade düzeyi 0'dan büyük, rowMeans ile belirle.

  • Genleri (yani satırları) mantıksal vektör keep ile filtrele ve tekrar görselleştir.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Create a new ExpressionSet to store the processed data
eset <- eset_raw
# Log transform
exprs(eset) <- ___(exprs(eset))
___(eset,  group = pData(eset)[___], legend = "topright")
# Quantile normalize
exprs(eset) <- ___(exprs(eset))
___(eset,  group = pData(eset)[___], legend = "topright")
# Determine the genes with mean expression level greater than 0
keep <- ___(exprs(eset)) > ___
sum(keep)
# Filter the genes
eset <- eset[___]
___(eset, group = pData(eset)[___], legend = "topright")
Kodu Düzenle ve Çalıştır