# Crie um mapa de calor de expressão gênica com agrupamento

> Envie uma matriz de expressão de RNA-Seq ou de microarranjos. A Yila descarta os genes quase sem expressão, escolhe os mais variáveis, faz o agrupamento de genes e amostras e anota os grupos.

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

## O que você recebe

- **Mapa de calor com agrupamento** (PNG + SVG): Genes e amostras ordenados por agrupamento hierárquico, escala de cores divergente, barras de anotação das amostras e legenda.
- **Lista de genes** (CSV): Os genes do mapa de calor com a expressão média em cada grupo, prontos para consulta ou citação.
- **Filtros prontos para os métodos** (Métodos): O limiar de expressão e as classes de genes excluídas ficam explícitos no script, para que a seleção dos genes possa ser descrita na seção de métodos.
- **O script** (Script Python): O pipeline completo em Python (ou em R, se você pedir), da matriz bruta até a figura.

## Como funciona

1. **Envie a matriz e indique os grupos**: Envie à Yila a tabela de expressão com genes nas linhas e amostras nas colunas e diga como as amostras se dividem em grupos. Grupo e doador geralmente podem ser lidos nos nomes das amostras.
2. **A Yila filtra antes de ordenar os genes**: Ela remove os genes quase sem expressão e os loci que o ensaio não mede bem, para que os genes mais variáveis sejam sinal real, e não ruído perto de zero.
3. **Receba o mapa de calor, a lista e o script**: O mapa de calor é renderizado, conferido e salvo com a lista de genes e o script. Peça mais genes, outra métrica de distância, uma ordem fixa das amostras ou apenas os genes diferencialmente expressos na mesma conversa.

## Indicado para

- **Uma primeira olhada em dados de RNA-Seq**: Veja se as amostras se agrupam por tratamento, por doador ou por lote antes da análise diferencial formal.
- **Uma figura para o artigo**: Mostre o padrão de expressão dos genes que importam, em um layout aceito pelas revistas.
- **Reanálise de dados públicos**: Transforme em minutos uma matriz do GEO ou do ArrayExpress em um mapa de calor para conferir uma conclusão publicada.

## Perguntas frequentes

### Por que filtrar os genes antes de escolher os mais variáveis?

Genes com expressão perto de zero podem variar muito por acaso, e loci curtos de RNAs pequenos são mal medidos pelo RNA-Seq poli-A. Sem filtro, eles tomam o lugar dos genes que interessam a você. Uma execução anterior sem filtro, com os mesmos dados, mostrou isso: a maior parte dos 50 primeiros eram loci de snoRNA e miRNA.

### Para que serve o escore z?

Cada gene é padronizado para média 0 e desvio-padrão 1 entre as amostras, de modo que as cores mostram onde um gene está alto ou baixo em relação a ele mesmo. Sem isso, os genes mais abundantes dominariam a escala de cores.

### Posso escolher quais genes entram no mapa?

Sim. Envie ou cole uma lista de genes, ou peça os genes mais diferencialmente expressos de uma tabela de resultados, e o mapa de calor é desenhado com eles.

### Quais valores de entrada são aceitos?

FPKM, TPM, contagens normalizadas ou intensidades de microarranjo. Se forem contagens brutas, a Yila primeiro as normaliza e aplica a transformação logarítmica, e explica como fez.

### As amostras podem manter uma ordem fixa?

Sim. Peça o agrupamento hierárquico só dos genes, e as amostras ficam na ordem que você indicar, por exemplo, reunidas por tratamento.

### R ou Python?

Qualquer um dos dois. O exemplo usou Python com seaborn; em R, a Yila usa pheatmap ou ComplexHeatmap.

### De onde vêm os dados do exemplo?

Da série pública GSE52778 do GEO, os dados de RNA-Seq usados em Himes et al., PLOS ONE 2014. A Yila nunca usa dados de usuários como exemplo.

---

- [Crie um mapa de calor de expressão gênica com agrupamento](https://yila.ai/pt/playbooks/gene-expression-heatmap)
- [llms.txt](https://yila.ai/pt/llms.txt)
