DE analizi

NOT: Bu egzersizin yüklenmesi biraz daha uzun sürebilir.

Önceki egzersizde oluşturduğumuz dds_all DESeq2 nesnesini kullanarak, genotipten bağımsız olarak normal ve fibrozis örnekleri arasında anlamlı ifade farkı gösteren genleri karşılaştırdığımız tam veri kümesini kullanmaya devam edeceğiz (design: ~ genotype + condition). Bu nesnenin oluşturulmuş ve tüm kütüphanelerin yüklenmiş olduğunu varsay. Bu egzersizde, örneklerimizin kümeleşmesini ve varyasyon kaynaklarını keşfetmek için gözetimsiz kümeleme analizlerini gerçekleştirelim.

Bu egzersiz, kursun bir parçasıdır

R ile Bioconductor kullanarak RNA-Seq

Kursa Göz Atın

Egzersiz talimatları

Örnek grup bilgisinden bağımsız olacak şekilde vst() fonksiyonunu kullanarak dds_all nesnesinin içindeki normalize sayımları log dönüşümünden geçir.
Log normalize edilmiş sayımların korelasyon değerlerinin ısı haritasını pheatmap() fonksiyonunu kullanarak oluştur. genotype ve condition için açıklama çubuklarını (annotation bars) ekle.
vsd_all kullanarak plotPCA() fonksiyonuyla PCA grafiğini çiz. Grafiği condition ile renklendir.
vsd_all kullanarak plotPCA() fonksiyonuyla PCA grafiğini çiz. Grafiği genotype ile renklendir.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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       
___(___, ___ = ___)

Kodu Düzenle ve Çalıştır