Visualisation des résultats

RNA-Seq avec Bioconductor dans R

Mary Piper

Bioinformatics Consultant and Trainer

Visualisation des résultats — Carte thermique d'expression

# Extraire les comptes normalisés des gènes significatifs 
sig_norm_counts_wt <- normalized_counts_wt[wt_res_sig$ensgene, ]

# Choisir une palette de couleurs de RColorBrewer
library(RColorBrewer) 
heat_colors <- brewer.pal(6, "YlOrRd")

display.brewer.all()

palettes de couleurs

RNA-Seq avec Bioconductor dans R

Visualisation des résultats — Carte thermique d'expression

# Exécuter pheatmap
pheatmap(sig_norm_counts_wt, 
         color = heat_colors, 
         cluster_rows = T, 
         show_rownames = F,
         annotation = select(wt_metadata, condition), 
         scale = "row")

carte thermique d'expression

RNA-Seq avec Bioconductor dans R

Visualisation des résultats — Diagramme volcan

# Créer un vecteur logique indiquant si padj est < 0.05 
wt_res_all <- wt_res_all %>%
              rownames_to_column(var = "ensgene") %>%
              mutate(threshold = padj < 0.05)

# Diagramme volcan
ggplot(wt_res_all) +
        geom_point(aes(x = log2FoldChange, y = -log10(padj), 
                   color = threshold)) +
        xlab("log2 fold change") + 
        ylab("-log10 adjusted p-value") +
        theme(legend.position = "none",
              plot.title = element_text(size = rel(1.5), hjust = 0.5),
              axis.title = element_text(size = rel(1.25)))
RNA-Seq avec Bioconductor dans R
ggplot(wt_res_all) +
        geom_point(aes(x = log2FoldChange, y = -log10(padj), color = threshold)) +
        xlab("log2 fold change") + 
        ylab("-log10 adjusted p-value") +
        ylim=c(0, 15) +
        theme(legend.position = "none",
              plot.title = element_text(size = rel(1.5), hjust = 0.5),
              axis.title = element_text(size = rel(1.25)))

diagramme volcan (zoom)

RNA-Seq avec Bioconductor dans R

Visualisation des résultats — Graphique d'expression

Résultats significatifs :

résultats significatifs

Comptes normalisés des gènes significatifs :

comptes normalisés significatifs

RNA-Seq avec Bioconductor dans R

Visualisation des résultats — Graphique d'expression

top_20 <- data.frame(sig_norm_counts_wt)[1:20, ] %>%
        rownames_to_column(var = "ensgene")

top_20 <- gather(top_20, key = "samplename", value = "normalized_counts", 2:8)

comptes normalisés regroupés

RNA-Seq avec Bioconductor dans R

Visualisation des résultats — Graphique d'expression

top_20 <- inner_join(top_20,
                     rownames_to_column(wt_metadata, var = "samplename"),
                     by = "samplename")

ggplot(top_20) +
        geom_point(aes(x = ensgene, y = normalized_counts, color = condition)) +
        scale_y_log10() +
        xlab("Genes") +
        ylab("Normalized Counts") +
        ggtitle("Top 20 Significant DE Genes") +
        theme_bw() +
        theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
        theme(plot.title = element_text(hjust = 0.5))
RNA-Seq avec Bioconductor dans R

graphique d'expression : 20 premiers

RNA-Seq avec Bioconductor dans R

Passons à la pratique !

RNA-Seq avec Bioconductor dans R

Preparing Video For Download...