In diesem Kapitel erkunden wir, was sich mit RNA-Seq-Daten machen lässt und warum das so spannend ist. Wir lernen die einzelnen Schritte und Überlegungen kennen, die in einem RNA-Seq-Workflow eine Rolle spielen.

Einführung in RNA-Seq

Kernkonzepte

RNA-Seq-Pakete

RNA-Seq-Workflow

Read-Ausrichtungen

Die Rohzählmatrix erkunden

Überblick über die differentielle Genexpression

Theorie der DGE

DGE-Theorie: Metadaten

Einführung in Theorie und Workflow von RNA-Seq

In diesem Kapitel führen wir eine Qualitätskontrolle der RNA-Seq-Count-Daten mithilfe von Heatmaps und einer Hauptkomponentenanalyse durch. Wir untersuchen, wie ähnlich sich die Proben sind, und prüfen, ob es Ausreißer unter den Proben gibt.

Einführung in die Analyse differentieller Expression

Üben mit der DESeq2-Vignette

Daten für DESeq2 organisieren

Metadaten und Count-Daten abgleichen

Normalisierung der Counts

Counts mit DESeq2 normalisieren

Hierarchische Heatmap

Hierarchische Heatmap nach condition

Analyse der hierarchischen Heatmap

Hauptkomponentenanalyse

PCA-Analyse

PCA-Praxis: Variationen erkunden

PCA-Praxis: zusätzliche Variationen erkunden

Explorative Datenanalyse

In diesem Kapitel führen wir die Analyse der differentiellen Expression durch, erzeugen Ergebnisse und identifizieren die differentiell exprimierten Gene.

DE-Analyse

Erstellen des DE-Objekts

DESeq2-Modell – Dispersion

DESeq2-Modell – Dispersionswerte erkunden

Die Dispersionsgrafik interpretieren

DESeq2-Modell – Kontraste

DESeq2-Modell – Ergebnisse extrahieren

DESeq2-Ergebnisse – LFC-Schrumpfung

DESeq2-Ergebnisse

DESeq2-Ergebnisexploration

DESeq2-Ergebnisse zusammenfassen

Signifikante Ergebnisse mit DESeq2

Analyse differentieller Expression mit DESeq2

In diesem letzten Kapitel erkunden wir die Ergebnisse der differentiellen Expression mit Visualisierungen wie Heatmaps und Volcano-Plots. Außerdem wiederholen wir die Schritte der Analyse und fassen den Workflow der differentiellen Expression mit DESeq2 zusammen.

Visualisierung der Ergebnisse

DESeq2-Visualisierungen – MA- und Volcano-Plots

DESeq2-Visualisierungen – Heatmap

RNA-Seq DE-Analyse – Setup

RNA-Seq DE-Analyse – Versuchsplanung

Zusammenfassung des RNA-Seq-DE-Workflows

Zusammenfassung der RNA-Seq-DE-Analyse

DE-Analyseergebnisse

Nächste Schritte in der RNA-Seq

Erkundung der Ergebnisse der differentiellen Expression

Fibrosis raw counts dataset

RNA-Seq ist eine spannende Methode der Next-Generation-Sequenzierung, mit der Gene und Signalwege identifiziert werden können, die bestimmten Krankheiten oder Zuständen zugrunde liegen. Da Hochdurchsatzsequenzierung immer erschwinglicher wird und für eine breitere Forschergemeinschaft zugänglich ist, wird das Know-how zur Analyse dieser Daten zunehmend zu einer wertvollen Fähigkeit. Begleite uns, um den RNA-Seq-Workflow kennenzulernen und herauszufinden, welche Gene und biologischen Prozesse für deinen interessierenden Zustand wichtig sein könnten! Wir starten mit einem kurzen Überblick über den RNA-Seq-Workflow mit Schwerpunkt auf der Analyse der differentiellen Expression (DE). Ausgehend von den Counts für jedes Gen lernst du, wie man Daten für die DE-Analyse vorbereitet, die Qualität der Count-Daten bewertet sowie Ausreißer identifiziert und die wichtigsten Quellen der Variation in den Daten erkennt. Mit dem R-Paket DESeq2 wird die Count-Verteilung mithilfe eines negativen Binomialmodells modelliert und auf differentiell exprimierte Gene getestet. Die Ergebnisse werden mit Heatmaps und Volcano-Plots visualisiert, und die signifikant differentiell exprimierten Gene werden identifiziert und gespeichert.

Introduction to Bioconductor in R

Introduction to Data Visualization with ggplot2

Verwenden Sie RNA-Seq-Differenzanalyse, um wichtige Gene für Krankheiten zu identifizieren.

RNA-Seq mit Bioconductor in R

Nutze die RNA-Seq-Differenzanalyse, um Gene zu finden, die wahrscheinlich wichtig für verschiedene Krankheiten oder Zustände sind.

Genomische Daten analysieren in R

PCA-Praxis: Variationen erkunden

RNA-Seq mit Bioconductor in R

Interaktive Übung