# Haz un mapa de calor de expresión génica con agrupamiento

> Sube una matriz de expresión de RNA-Seq o de microarrays. Yila descarta los genes apenas expresados, elige los más variables, agrupa genes y muestras, y anota los grupos.

URL: https://yila.ai/es/playbooks/gene-expression-heatmap

## Lo que obtienes

- **Mapa de calor con agrupamiento** (PNG + SVG): Genes y muestras ordenados por agrupamiento jerárquico, escala de color divergente, barras de anotación de las muestras y leyenda.
- **Lista de genes** (CSV): Los genes del mapa de calor con su expresión media en cada grupo, listos para consultarlos o citarlos.
- **Filtros documentados** (Métodos): El umbral de expresión y las clases de genes excluidas quedan escritos en el script, para que puedas describir la selección de genes en los métodos.
- **El script** (Script de Python): El flujo de análisis completo en Python (o en R, si lo pides), desde la matriz original hasta la figura.

## Cómo funciona

1. **Sube la matriz e indica los grupos**: Dale a Yila la tabla de expresión con los genes en filas y las muestras en columnas, e indica cómo agrupar las muestras. El grupo y el donante suelen poder deducirse de los nombres de las muestras.
2. **Yila filtra antes de ordenar por variabilidad**: Elimina los genes apenas expresados y los loci que el ensayo no mide bien, para que los genes más variables sean señal real y no ruido cercano a cero.
3. **Obtén el mapa de calor, la lista y el script**: El mapa de calor se genera, se revisa y se guarda con la lista de genes y el script. Pide más genes, otra distancia, un orden fijo de las muestras o solo los genes diferencialmente expresados en la misma conversación.

## Pensado para

- **Un primer vistazo a datos de RNA-Seq**: Comprueba si las muestras se agrupan por tratamiento, por donante o por lote antes del análisis diferencial formal.
- **Una figura para el artículo**: Muestra el patrón de expresión de los genes que importan, con un diseño que las revistas aceptan.
- **Reanálisis de datos públicos**: Convierte una matriz de GEO o ArrayExpress en un mapa de calor en minutos para comprobar una afirmación publicada.

## Preguntas frecuentes

### ¿Por qué filtrar los genes antes de elegir los más variables?

Los genes con expresión cercana a cero pueden variar mucho por azar, y los loci cortos de ARN pequeño se miden mal con RNA-Seq poli(A). Sin un filtro, desplazan a los genes que te interesan. Una ejecución anterior sin filtro con los mismos datos lo demostró: la mayoría de sus 50 primeros genes eran loci de snoRNA y miRNA.

### ¿Para qué sirve la puntuación z?

Cada gen se escala a media 0 y desviación estándar 1 entre las muestras, de modo que los colores muestran en qué muestras un gen está alto o bajo respecto a sí mismo. Sin ella, los genes más abundantes dominarían la escala de color.

### ¿Puedo elegir yo los genes?

Sí. Sube o pega una lista de genes, o pide los genes con mayor expresión diferencial de una tabla de resultados, y el mapa de calor se dibuja con esos genes.

### ¿Qué valores de entrada sirven?

FPKM, TPM, recuentos normalizados o intensidades de microarrays. Si son recuentos brutos, Yila primero los normaliza y les aplica una transformación logarítmica, y explica cómo lo ha hecho.

### ¿Pueden las muestras mantener un orden fijo?

Sí. Pide que solo se agrupen los genes y las muestras se quedarán en el orden que indiques, por ejemplo agrupadas por tratamiento.

### ¿R o Python?

Cualquiera de los dos. El ejemplo usó Python con seaborn; en R, Yila usa pheatmap o ComplexHeatmap.

### ¿De dónde proceden los datos del ejemplo?

De la serie pública GSE52778 de GEO, los datos de RNA-Seq en los que se basa el estudio de Himes et al. (PLOS ONE, 2014). Yila nunca usa datos de usuarios como ejemplos.

---

- [Haz un mapa de calor de expresión génica con agrupamiento](https://yila.ai/es/playbooks/gene-expression-heatmap)
- [llms.txt](https://yila.ai/es/llms.txt)
