DE-аналіз

ПРИМІТКА: завантаження цієї вправи може тривати трохи довше.

Ми й надалі працюватимемо з повним набором даних, порівнюючи гени, що мають значущі відмінності експресії між нормальними зразками та зразками з фіброзом, незалежно від генотипу (design: ~ genotype + condition). Тому ми використаємо об'єкт DESeq2 dds_all, створений у попередній вправі. Уважайте, що цей об'єкт уже створено і всі бібліотеки завантажено. У цій вправі виконаймо несупервізовані методи кластеризації, щоб дослідити групування наших зразків і джерела варіації.

Ця вправа є частиною курсу

RNA-Seq з Bioconductor у R

Переглянути курс

Інструкції до вправи

Виконайте лог-перетворення нормалізованих лічильників у об'єкті dds_all за допомогою функції vst(), не враховуючи інформацію про групи зразків (blind).
Створіть кореляційну теплову мапу значень кореляції лог-нормалізованих лічильників за допомогою функції pheatmap(). Додайте панелі анотацій для genotype і condition.
Побудуйте PCA за допомогою функції plotPCA() з використанням vsd_all. Розфарбуйте графік за змінною condition.
Побудуйте PCA за допомогою функції plotPCA() з використанням vsd_all. Розфарбуйте графік за змінною genotype.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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       
___(___, ___ = ___)

Редагувати та запускати код