Аналіз PCA
Щоб продовжити оцінювання якості наших вибірок, у першій частині цієї вправи ми виконаємо PCA, щоб побачити, як групуються вибірки, і чи відповідає наша умова інтересу головним компонентам, які пояснюють найбільшу варіабельність даних. У другій частині ми відповімо на запитання щодо графіка PCA.
Щоб оцінити подібність вибірок smoc2 за допомогою PCA, нам потрібно перетворити нормалізовані підрахунки, а потім виконати аналіз PCA. Вважайте, що всі бібліотеки вже завантажено, об'єкт DESeq2 створено, а коефіцієнти масштабування збережено в об'єкті DESeq2 dds_smoc2.
Ця вправа є частиною курсу
RNA-Seq з Bioconductor у R
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Transform the normalized counts
vsd_smoc2 <- vst(dds_smoc2, blind = TRUE)
# Plot the PCA of PC1 and PC2
___(___, intgroup=___)