modificacion del los ops de los chunks

02_sesion5.Rmd

@@ -93,9 +93,9 @@ Otros sitios interesantes para obtener conjuntos de datos de referencia:
 
 ## Preparación del dataset
 
-El dataset proviene tiene el ID en GEO [GSE84465](https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE84465)
+El dataset proviene tiene el ID en GEO [GSE159677](https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE159677)
 
-```{r, eval=FALSE}
+```{r, eval=FALSE, echo=TRUE}
 library(cowplot)
 library(ggplot2)
 library(scater)
@@ -145,7 +145,7 @@ sce$Age <- md$Age[m]
 
 Hacemos ahora un pequeño proceso de limpieza y normalización
 
-```{r, eval=FALSE}
+```{r, eval=FALSE, echo=TRUE}
 #Remover genes no detectados
 sce <- sce[Matrix::rowSums(counts(sce) > 0) > 0, ]
 dim(sce)
@@ -182,7 +182,7 @@ sce <- addPerFeatureQCMetrics(sce)
 
 Filtración de células
 
-```{r, eval=FALSE}
+```{r, eval=FALSE, echo=TRUE}
 #Obtener outliers
 cols <- c("total", "detected", "subsets_Mito_percent")
 log <- c(TRUE, TRUE, FALSE)
@@ -242,7 +242,7 @@ dim(sce)
 
 Agrupamiento, toma en cuenta que esta parte podría demorar bastante.
 
-```{r, eval=FALSE}
+```{r, eval=FALSE, echo=TRUE}
 #Load packages
 library(cowplot)
 library(Seurat)