Na začátku si zopakuješ cíle analýzy diferenciální exprese, naučíš se pracovat s daty genové exprese pomocí R a Bioconductoru a spustíš svou první analýzu diferenciální exprese s balíčkem limma.

Analýza diferenciální exprese

Využití analýzy diferenciální exprese

Data pro analýzu diferenciální exprese

Vytvoř krabicový graf

Třída ExpressionSet

Vytvoření objektu ExpressionSet

Vytvoření krabicového grafu s objektem ExpressionSet

Balíček limma

Definování lineárního modelu pro porovnání 2 skupin

Test diferenciální exprese mezi 2 skupinami

V této kapitole se naučíš sestavovat lineární modely pro testování diferenciální exprese v rámci běžných experimentálních designů.

Flexibilní lineární modely

Matice plánu pro model skupinových průměrů

Matice kontrastů pro skupinové průměry

Test diferenciální exprese pro skupinové průměry

Studie s více než dvěma skupinami

Design matice pro 3 skupiny

Matice kontrastů pro 3 skupiny

Test diferenciální exprese pro 3 skupiny

Faktoriální experimentální design

Matice designu pro faktoriální design 2x2

Matice kontrastů pro faktoriální design 2x2

Test diferenciální exprese pro faktoriální design 2x2

Flexibilní modely pro běžné studijní designy

Teď, když už víš, jak provádět testy diferenciální exprese, se naučíš normalizovat a filtrovat data příznaků, kontrolovat technické dávkové efekty a vyhodnocovat výsledky.

Normalizace a filtrování

Normalizace

Filtrování genů

Korekce technických batch efektů

Vizualizace dávkových efektů

Odstranění dávkových efektů

Vizualizace výsledků

Histogram p-hodnot

Vulkanický graf

Enrichment testing

Dráhy KEGG

Kategorie genové ontologie

Předzpracování a postprocesing

V této závěrečné kapitole využiješ své nové dovednosti k provedení komplexní analýzy diferenciální exprese studie, která využívá faktoriální design k posouzení dopadu protinádorového léku doxorubicinu na srdce myší s různým genetickým pozadím.

Předzpracování dat

Předzpracování příznaků

Krabicový graf pro Top2b

Zjisti zdroje variability

Modelování dat

Designová matice

Matice kontrastů

Test diferenciální exprese

Prozkoumej výsledky

Volcano plot

Obohacení drah (pathway enrichment)

Závěr

Případová studie: Vliv léčby doxorubicinem

Leukemia dataset

Doxorubicin dataset

Hypoxia dataset

Funkční genomické technologie, jako jsou mikročipy, sekvenování a hmotnostní spektrometrie, umožňují vědcům získávat nestranná měření hladin genové exprese v celogenomovém měřítku. Ať už generuješ vlastní data, nebo chceš prozkoumat velké množství veřejně dostupných datových sad, nejprve se budeš muset naučit, jak takové experimenty analyzovat. V tomto kurzu se naučíš používat všestranný balíček R/Bioconductor limma k provádění analýzy diferenciální exprese pro nejběžnější experimentální designy. Kromě toho se naučíš předzpracovávat data, identifikovat a korigovat dávkové efekty, vizuálně hodnotit výsledky a provádět testování obohacení. Po absolvování tohoto kurzu budeš mít obecné analytické strategie pro získávání poznatků z jakékoli studie funkční genomiky.

Introduction to Statistics in R

Zjistěte, jak použít balíček R/Bioconductor limma pro analýzu diferenciální exprese.

Analýza diferenciální exprese pomocí limma v R

Naučte se používat balíček Bioconductor limma pro analýzu diferenciální genové exprese.

Analýza genomických dat v R

Instructor

Modely pro složitá experimentální schémata

Parametrizace skupinových průměrů

Matice designu pro skupinové průměry

Testování parametrizace skupinových průměrů

Parametrizace nemění výsledky

Pojďme si procvičit!

Flexibilní modely pro běžné studijní designy - Flexibilní lineární modely

Flexibilní lineární modely

Create Your Free Account