plotPCA()需要两个参数作为输入:DESeqTransform对象和intgroup,即元数据中包含有关实验样本组信息列的名称。 代码语言:text AI代码解释 # Plot PCA plotPCA(rld, intgroup="sampletype") PCA 默认情况下,plotPCA()使用前 500 个最易变的基因。您可以通过添加ntop=参数并指定您希望函数
Principal component analysis (PCA) 分析 主成分分析(PCA)帮助我们归纳总结和可视化数据集中的信息,这些数据包含由多个相互关联的变量描述的个体 / 观察主成分分析。 可以将每个变量视为不同的维度。 但如果您的数据集中有3个以上的变量,那么很难在多维超空间可视化。
我们可以绘制一个样本与另一个样本的计数关系,样本1在x轴上,样本2在y轴上,如下所示: img 对于PCA分析,第一步是绘制这个图,并在代表变化最多的方向上通过数据画一条线。在本例中,沿对角线变化最多。也就是说,数据中最大的分布在这条线的两个端点之间。这被称为第一个主成分,或PC1。这条线两端的基因(...
plotPCA()需要两个参数作为输入:DESeqTransform对象和intgroup,即元数据中包含有关实验样本组信息列的名称。 # Plot PCA plotPCA(rld, intgroup="sampletype") 1. 2. 默认情况下,plotPCA()使用前 500 个最易变的基因。您可以通过添加ntop=参数并指定您希望函数考虑的基因数量来更改此设置。 plotPCA()函数将...
plotPCA(rld,intgroup="condition") dev.off() #差异表达分析 dds=DESeq(dds) #sizeFactors(dds) res<-results(dds) res<-res[order(res$padj),] #table(res$padj<0.01) #将DEG转换为数据框格式,并去掉含NA的行 DEG<-as.data.frame(res)
我们可以绘制一个样本与另一个样本的计数关系,样本1在x轴上,样本2在y轴上,如下所示: img 对于PCA分析,第一步是绘制这个图,并在代表变化最多的方向上通过数据画一条线。在本例中,沿对角线变化最多。也就是说,数据中最大的分布在这条线的两个端点之间。这被称为第一个主成分,或PC1。这条线两端的基因(...
library(PCAtools)p <- pca(gene_exp, metadata = sample_info, removeVar = 0.1) pca_loadings <- p$loadings #某基因对pc1\pc2\pc3\pc4的贡献 pca_rotated <- p$rotated #每个主成分与样本之间的关系 screeplot(p) #主成分对样本差异的解释度 biplot(p, x = 'PC1', y = 'PC2', colby = ...
5.进行主成分分析 expr_pca <- prcomp(pca_data[,1:1000],scale = T,center = T) 6.可视化——碎石图 fviz_screeplot(expr_pca, addlabels = TRUE, ylim = c(0, 40)) 7.可视化——PCA图 PCA <- fviz_pca_ind(expr_pca, label = 'none', geom.ind = c('point','text'), habillage = ...