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('po
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。对于基于转录组的PCA图中,如果两个样本距离越远,则说明两个样本转录组差异越大。我们最想看到...
blind=FALSE)#用Deseq2内置的主成分分析来看一下样本分布plotPCA(vsd,"sample")
质量控制：首先需要检查RNA-seq数据的质量，可以使用FastQC等工具对原始数据进行质量评估，这一步也可以使...
刚开始主要是跟着实验室师兄师姐学了些GEO数据库的芯片数据分析,主要是利用Excel、统计软件以及在线工具分析。慢慢地,我发现只会这些是远远不够的,于是就关注了生信技能树、生信菜鸟团等公众号,希望能学习一些更专业的技能。(比如R语言编程) 我们实验室主要是需要基于GEO或TCGA数据库的转录组数据做一些下游分析,利用现...
RNA-seq下游分析之 PCA图_欧阳火火的博客-CSDN博客 rm(list=ls()) mydata <- read.table("C:/Users/gao/Desktop/all.id.txt",header =TRUE,quote='\t',skip = 1) smpleNames <- c('mesc_1','mesc_1','mesc_2','mesc_2','mesc_3','mesc_3','mesc_4','mesc_4','mesc_5','mesc_5...
中间的PCA图,说明我们的normal和npc两个分组非常明显的差异 右边的层次聚类也是如此,说明我们的normal和npc两个分组非常明显的差异 如果分组在3张图里面体现不出来,实际上后续差异分析是有风险的。这个时候需要根据你自己不合格的3张图,仔细探索哪些样本是离群点,自行查询中间过程可能的问题所在,或者检查是否有其它混杂...
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。对于基于转录组的PCA图中,如果两个样本距离越远,则说明两个样本转录组差异越大。我们最想看到...
PCA图、热图等 02 差异表达分析及可视化 limma,voom,edgeR,DESeq2(👉limma/voom,edgeR,DESeq2分析注意事项,差异分析表达矩阵与分组信息 差异基因的热图和火山图 03 三个软件包的差异分析结果比较及筛选 logFC 含义 相关性图 实操花了整整两天,终于磕磕绊绊自己走了一遍,有种游戏玩通关的感觉😆这次应该可以摆...
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 = group$group, #分组...