DESeq2 模型

使用 R 與 Bioconductor 進行 RNA-Seq

Mary Piper

Bioinformatics Consultant and Trainer

DESeq2 模型

差異表現理論

DESeq2 模型－平均與變異數關係

# 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)

DESeq2 模型－離散度

繪製平均與變異數的關係：

# 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")

DESeq2 模型－離散度

平均－變異數關係

DESeq2 模型－離散度

$Var$：變異數

$\mu$：平均數

$\alpha$：離散度

離散度公式： $Var = \mu + \alpha * \mu^{2}$

平均、變異數與離散度的關係：

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

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

DESeq2 模型－離散度

# Plot dispersion estimates
plotDispEsts(dds_wt)

離散度圖

DESeq2 模型－離散度

離散度圖（不佳）

一起來練習吧！

使用 R 與 Bioconductor 進行 RNA-Seq