โมเดล DESeq2

RNA-Seq ด้วย Bioconductor ใน R

Mary Piper

Bioinformatics Consultant and Trainer

โมเดล DESeq2

ทฤษฎี DE

โมเดล DESeq2 - ความสัมพันธ์ระหว่างค่าเฉลี่ยและความแปรปรวน

# 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)

โมเดล DESeq2 - การกระจาย

พล็อตความสัมพันธ์ระหว่างค่าเฉลี่ยและความแปรปรวน:

# 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")

โมเดล DESeq2 - การกระจาย

ความสัมพันธ์ระหว่างค่าเฉลี่ยและความแปรปรวน

โมเดล DESeq2 - การกระจาย

$Var$: ความแปรปรวน

$\mu$: ค่าเฉลี่ย

$\alpha$: การกระจาย

สูตรการกระจาย: $Var = \mu + \alpha * \mu^{2}$

ความสัมพันธ์ระหว่างค่าเฉลี่ย ความแปรปรวน และการกระจาย:

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

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

โมเดล DESeq2 - การกระจาย

# Plot dispersion estimates
plotDispEsts(dds_wt)

กราฟการกระจาย

โมเดล DESeq2 - การกระจาย

กราฟการกระจายที่ไม่เหมาะสม

มาฝึกกันเถอะ!

RNA-Seq ด้วย Bioconductor ใน R