Результати DE-аналізу

Після аналізу PCA та кореляційної теплової карти ми побачили чітке групування наших зразків за PC1, який, здається, відображає варіацію в даних через фіброз, і PC2, який, імовірно, відображає варіацію в даних через надекспресію smoc2. Додаткових джерел варіації чи викидів для видалення ми не виявили. Тому можемо переходити до запуску DESeq2, тестування на диференційовану експресію та зменшення fold change. Ми виконали ці кроки за вас, щоб отримати фінальні результати res_all.

У цій вправі потрібно вибрати з результатів значущі гени та вивести топ-10 DE-генів за скоригованим p-значенням.

Ця вправа є частиною курсу

RNA-Seq з Bioconductor у R

Переглянути курс

Інструкції до вправи

Використайте функцію subset(), щоб вибрати значення зі скоригованим p-значенням менше ніж 0,05. Збережіть вибірку як датафрейм smoc2_sig, застосувавши функцію data.frame() і перетворивши назви рядків на стовпець geneID за допомогою rownames_to_column().
Впорядкуйте значущі результати за скоригованими p-значеннями за допомогою функції arrange(), виберіть стовпці з Ensembl gene ID та скоригованими p-значеннями, і виведіть найзначущіші гени за допомогою head().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Select significant genese with padj < 0.05
smoc2_sig <- subset(___, ___) %>%
  				___() %>%
  				___(var = ___)

# Extract the top 6 genes with padj values
smoc2_sig %>%
	___(___) %>%
	select(___, ___) %>%
	head()

Редагувати та запускати код