Model DESeq2

RNA-Seq z Bioconductor w R

Mary Piper

Bioinformatics Consultant and Trainer

Model DESeq2

Teoria DE

Model DESeq2 – zależność średnia–wariancja

# Syntax for apply()
apply(data, rows/columns, function_to_apply)

# Calculating mean for each gene (each row)
mean_counts <- apply(wt_rawcounts[, 1:3], 1, mean)

# Calculating variance for each gene (each row)
variance_counts <- apply(wt_rawcounts[, 1:3], 1, var)

Model DESeq2 – dyspersja

Wizualizacja zależności między średnią a wariancją:

# Creating data frame with mean and variance for every gene
df <- data.frame(mean_counts, variance_counts)

ggplot(df) +
        geom_point(aes(x=mean_counts, y=variance_counts)) + 
        scale_y_log10() +
        scale_x_log10() +
        xlab("Mean counts per gene") +
        ylab("Variance per gene")

Model DESeq2 – dyspersja

Zależność średnia–wariancja

Model DESeq2 – dyspersja

$Var$: wariancja

$\mu$: średnia

$\alpha$: dyspersja

Wzór na dyspersję: $Var = \mu + \alpha * \mu^{2}$

Zależność między średnią, wariancją i dyspersją:

$$\uparrow variance \Rightarrow \uparrow dispersion$$

$$\uparrow mean \Rightarrow \downarrow dispersion$$

Model DESeq2 – dyspersja

# Plot dispersion estimates
plotDispEsts(dds_wt)

Wykres dyspersji

Model DESeq2 – dyspersja

bad_dispersion_plots

Lass uns üben!

RNA-Seq z Bioconductor w R