Kết quả phân tích DE
Sau khi khám phá PCA và heatmap tương quan, chúng ta thấy các mẫu phân cụm tốt trên PC1, dường như phản ánh biến thiên do xơ hóa, và PC2, có vẻ phản ánh biến thiên do biểu hiện quá mức smoc2. Chúng ta không phát hiện nguồn biến thiên bổ sung nào khác, cũng như không có ngoại lệ cần loại bỏ. Vì vậy, bạn có thể tiếp tục chạy DESeq2, kiểm định DE, và thu nhỏ (shrink) độ thay đổi gấp (fold change). Chúng tôi đã thực hiện các bước này giúp bạn để tạo ra kết quả cuối cùng, res_all.
Trong bài tập này, bạn sẽ lọc ra các gene có ý nghĩa thống kê từ kết quả và xuất ra 10 gene DE hàng đầu theo p-value đã hiệu chỉnh.
Bài tập này là một phần của khóa học
RNA-Seq với Bioconductor trong R
Hướng dẫn bài tập
Dùng hàm
subset()để lấy các giá trị có p-value đã hiệu chỉnh nhỏ hơn 0.05. Lưu tập con này thành một data frame tênsmoc2_sigbằng cách dùng hàmdata.frame()và chuyển tên hàng thành một cột têngeneIDbằng hàmrownames_to_column().Sắp xếp các kết quả có ý nghĩa theo p-value đã hiệu chỉnh bằng hàm
arrange(), chọn các cột có Ensembl gene ID và p-value đã hiệu chỉnh, và xuất ra các gene có ý nghĩa hàng đầu bằnghead().
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Select significant genese with padj < 0.05
smoc2_sig <- subset(___, ___) %>%
___() %>%
___(var = ___)
# Extract the top 6 genes with padj values
smoc2_sig %>%
___(___) %>%
select(___, ___) %>%
head()