Zum Einstieg wiederholst du die Ziele der differentiellen Expressionsanalyse, verwaltest Genexpressionsdaten mit R und Bioconductor und führst deine erste differentielle Expressionsanalyse mit limma durch.

Differenzielle Expressionsanalyse

Anwendungen der Differential-Expressionsanalyse

Differential-Expressionsdaten

Erstelle ein Boxplot

Die Klasse ExpressionSet

Erstelle ein ExpressionSet-Objekt

Erzeuge ein Boxplot mit einem ExpressionSet-Objekt

Das limma-Paket

Spezifiziere ein lineares Modell zum Vergleich von 2 Gruppen

Teste auf differentielle Expression zwischen 2 Gruppen

In diesem Kapitel lernst du, wie du lineare Modelle für gängige experimentelle Designs konstruierst, um auf differentielle Expression zu testen.

Flexible lineare Modelle

Designmatrix für das Gruppenmittel-Modell

Kontrastmatrix für Gruppenmittelwerte

Test auf differentielle Expression im Gruppenmittel-Modell

Studien mit mehr als zwei Gruppen

Designmatrix für 3 Gruppen

Kontrastmatrix für 3 Gruppen

Test auf differentielle Expression für 3 Gruppen

Faktorielles Versuchsdesign

Designmatrix für 2x2-Faktorielles Design

Kontrastmatrix für 2x2-Faktoriell

Test auf differentielle Expression für 2×2-Faktorielles Design

Flexible Modelle für gängige Studiendesigns

Nachdem du nun gelernt hast, wie man Tests auf differentielle Expression durchführt, lernst du als Nächstes, wie du Feature-Daten normalisierst und filterst, technische Batch-Effekte prüfst und die Ergebnisse bewertest.

Normalisieren und Filtern

Normalisieren

Gene filtern

Umgang mit technischen Batch-Effekten

Batch-Effekte visualisieren

Batch-Effekte entfernen

Die Ergebnisse visualisieren

Histogramm der p-Werte

Volcano-Plot

Anreicherungstests

KEGG‑Signalwege

Gene-Ontology-Kategorien

Vor- und Nachverarbeitung

In diesem letzten Kapitel setzt du deine neuen Fähigkeiten ein, um eine End-to-End-Analyse der differentiellen Expression für eine Studie mit faktorialem Design durchzuführen, die die Wirkung des Krebsmedikaments Doxorubicin auf die Herzen von Mäusen mit unterschiedlichen genetischen Hintergründen untersucht.

Daten vorverarbeiten

Features vorverarbeiten

Boxplot von Top2b

Variationsquellen prüfen

Die Daten modellieren

Designmatrix

Kontrastmatrix

Auf Differentialexpression testen

Ergebnisse prüfen

Pathway-Enrichment

Fazit

Fallstudie: Wirkung einer Doxorubicin-Behandlung

Doxorubicin dataset

Leukemia dataset

Hypoxia dataset

Funktionelle Genomik-Technologien wie Microarrays, Sequenzierung und Massenspektrometrie ermöglichen es, Genexpressionswerte im gesamten Genom unvoreingenommen zu messen. Egal, ob du eigene Daten erzeugst oder die Vielzahl öffentlich verfügbarer Datensätze erkunden willst: Zunächst musst du lernen, wie man solche Experimente auswertet. In diesem Kurs lernst du, wie du mit dem vielseitigen R/Bioconductor-Paket limma für gängige Studiendesigns eine differentielle Expressionsanalyse durchführst. Außerdem erfährst du, wie du die Daten vorverarbeitest, Batch-Effekte identifizierst und korrigierst, die Ergebnisse visuell beurteilst und Enrichment-Tests durchführst. Nach Abschluss dieses Kurses verfügst du über allgemeine Analyse-Strategien, um aus jeder Studie der funktionellen Genomik Erkenntnisse zu gewinnen.

Introduction to Statistics in R

Entdecken Sie, wie Sie das vielseitige R/Bioconductor-Paket limma für Differenzanalysen nutzen können.

Differenzielle Expressionsanalyse mit limma in R

Lerne, wie du das Bioconductor-Paket limma für die Analyse der differentiellen Genexpression benutzt.

Genomische Daten analysieren in R

Instructor

Studies with more than two groups

A study with 3 groups

Group-means model for 3 groups

Group-means design matrix for 3 groups

Contrasts matrix for 3 groups

Testing 3 groups

The effect of hypoxia on stem cell function

Let's practice!

Flexible Modelle für gängige Studiendesigns - Studien mit mehr als zwei Gruppen

Studien mit mehr als zwei Gruppen

Create Your Free Account