本期,小编继续“看图说话”,一起看看RNA-seq基础分析里的图示都反映了哪些内容吧。 1 主成分分析图(PCA图)---用RNA测序结果体现样本聚类 主成分分析图是生信分析中最朴实无华的,因为谁都能看的懂。我们不需要操心X,Y轴的主成分到底是什么,只要明白每个样本都被一个2维坐标(X,Y)定位到了这张图上。对于基...
3. plotPCA {DESeq2} 当我们使用的数据是表达量的时候,我们可以首选利用 DESeq2 软件包中的内置函数plotPCA 来绘制主成分分析图,非常方便,当然我们这里使用差异表达挑选出来的差异表达基因,在做主成分分析时能够更好的区分癌和癌旁组织。 首先需要构造 dds 对象, 如下: ###plotPCA {DESeq2} library(DESeq2...
主成分分析并作图。代码如下 tpm<-read.csv("E:/造血干/钟/mRNA_tpm.csv")#使用prcomp函数进行PCA分析# 数据转置,转换成行为样本,列为基因的矩阵tpm<-t(tpm)data.pca<-prcomp(tpm)# 查看PCA的分析结果summary(data.pca)# 绘制主成分的碎石图screeplot(data.pca,npcs=10,type="lines")#查看主成分的结果...
DESeq2对样本级QC使用标准化计数的正则化对数变换(rlog),因为它调节了均值间的方差,从而改进了聚类。 img 注意:DESeq2文档建议大数据集(100个样本)使用方差稳定转换(vst)而不是rlog来进行计数转换,因为rlog函数可能运行太长时间,而vst()函数具有与rlog相似的属性,速度更快。 主成分分析PCA [1] 主成分分析(...
PC 1:第一主成分 PC 2:第二主成分 该模型中各个坐标的数值百分数代表该数据维度或该主成分对样本的...
单细胞RNA-seq数据分析最佳实践(上) Pre-processing and visualization Normalization 计数矩阵中的每个计数代表细胞 mRNA 分子的成功捕获、逆转录和测序(框 1)。由于每个步骤固有的变异性,相同细胞的计数深度结果却可能不同。因此,当基于计数数据比较细胞间的基因表达时,任何差异可能仅由采样效应( sampling effects.)引...
为了探究这些基因表达谱是否与发育阶段相关,研究者使用非监督层次聚类算法来对RNA-seq数据进行分析。结果显示,这些雌性生殖细胞准确地符合发育顺序,从PGC到FGSC,并且如所预期的那样以GV和MII卵母细胞结束(图1A)。主成分分析(PCA)的结果揭示了发育阶段之间表达模式的差异(图1B)。所有阶段的基因表达的成对比较的结果也...
上一期我们探讨了Bulk RNA-seq的价值和学习成本(第1期. 快2024年了,还有必要学习Bulk RNA-seq?),如果你认可了学习Bulk RNA-seq分析的必要性,那我们就一起来开始零基础学习之旅。今天的任务是主成分分析(PCA)图,如果时间紧,可以简单看看整体的分析流程;如果有时间,可以跟着我们的代码和数据,一起练习。
为了明确HSPCs和相应的微环境的细胞特征,研究者利用高通量RNA-seq对不同发育阶段转基因斑马鱼的非内皮细胞和非造血细胞(NCs)、内皮细胞(ECs)、HE细胞以及HSPC细胞进行了分选(图1A)。质量控制后的主成分分析(PCA)结果表明,NCs不同于其它细胞,可能是由于不同类型细胞的混合,但同一时期的ECs和HSPC趋向于聚集在一起,...