V této kapitole se podíváme na to, co lze s RNA-Seq daty dělat a proč je tato metoda tak zajímavá. Seznámíš se s jednotlivými kroky RNA-Seq workflow a aspekty, které je třeba při práci s ním zohlednit.

Úvod do RNA-Seq

Základní pojmy

Balíčky pro RNA-Seq

Pracovní postup RNA-Seq

Zarovnání čtení

Prozkoumání matice surových počtů

Přehled diferenciální genové exprese

Teorie DGE

DGE Theory: Metadata

Úvod do teorie a workflow RNA-Seq

V této kapitole provedeme kontrolu kvality RNA-Seq počtových dat pomocí heatmap a analýzy hlavních komponent. Prozkoumáme podobnost vzorků navzájem a zjistíme, zda se mezi nimi nevyskytují odlehlé hodnoty.

Úvod do analýzy diferenciální exprese

Procvičování s DESeq2 vignette

Příprava dat pro DESeq2

Párování metadat a dat s počty

Normalizace počtů

Normalizace počtů pomocí DESeq2

Hierarchická heatmapa

Hierarchický heatmap podle podmínky

Analýza hierarchického heatmapu

Analýza hlavních komponent

PCA analýza

PCA v praxi: zkoumání variability

Procvičování PCA: zkoumání dalších zdrojů variability

Explorační analýza dat

V této kapitole provedeme analýzu diferenciální exprese, vygenerujeme výsledky a identifikujeme diferenciálně exprimované geny.

Analýza diferenciální exprese

Vytvoření objektu pro DE analýzu

Model DESeq2 – disperze

Model DESeq2 – zkoumání dispersí

Interpretace grafu disperze

DESeq2 model – kontrasty

Model DESeq2 – extrakce výsledků

Výsledky DESeq2 – zmenšení LFC

Výsledky DESeq2

Prozkoumání výsledků DESeq2

Shrnutí výsledků DESeq2

Významné výsledky z DESeq2

Analýza diferenciální exprese s DESeq2

V závěrečné kapitole prozkoumáme výsledky diferenciální exprese pomocí vizualizací, jako jsou heatmapy a volcano ploty. Zopakujeme také kroky analýzy a shrneme celý workflow diferenciální exprese s DESeq2.

Vizualizace výsledků

Vizualizace v DESeq2 – MA plot a volcano plot

Vizualizace v DESeq2 – heatmapa

Shrnutí DE analýzy RNA-Seq – příprava

RNA-Seq DE analýza – plánování experimentu

Přehled RNA-Seq DE workflow

Shrnutí DE analýzy RNA-Seq

DE analýza

Výsledky DE analýzy

Další kroky v RNA-Seq

Prozkoumání výsledků diferenciální exprese

Fibrosis raw counts dataset

RNA-Seq je fascinující metoda sekvenování nové generace, která slouží k identifikaci genů a biologických drah spojených s konkrétními nemocemi nebo stavy. Jak se vysokovýkonné sekvenování stává dostupnějším pro širší komunitu výzkumníků, schopnost analyzovat tato data se stává čím dál cennější dovedností. Pojď s námi prozkoumat RNA-Seq workflow a zjisti, které geny a biologické procesy mohou hrát klíčovou roli v oblasti tvého zájmu! Kurz začneme stručným přehledem RNA-Seq workflow se zaměřením na analýzu diferenciální exprese (DE). Počínaje počty čtení pro jednotlivé geny se naučíš, jak připravit data pro DE analýzu, vyhodnotit jejich kvalitu, odhalit odlehlé vzorky a identifikovat hlavní zdroje variability v datech. K modelování počtových dat pomocí negativního binomického modelu a testování diferenciálně exprimovaných genů použijeme R balíček DESeq2. Výsledky vizualizujeme pomocí heatmap a volcano plotů a nejvýznamnější diferenciálně exprimované geny identifikujeme a uložíme.

Introduction to Bioconductor in R

Introduction to Data Visualization with ggplot2

Použijte RNA-Seq analýzu k identifikaci genů důležitých pro různé nemoci nebo stavy.

RNA-Seq s Bioconductorem v R

Použijte analýzu diferenciální exprese RNA-Seq k identifikaci genů, které mohou být důležité pro různá onemocnění nebo stavy.

Analýza genomických dat v R

Výsledky DESeq2 – zmenšení LFC

RNA-Seq s Bioconductorem v R

Pokyny k cvičení

Interaktivní cvičení na vyzkoušení si v praxi