Para empezar, repasarás los objetivos del análisis de expresión diferencial, gestionarás datos de expresión génica con R y Bioconductor, y ejecutarás tu primer análisis de expresión diferencial con limma.

Análisis de expresión diferencial

Aplicaciones del análisis de expresión diferencial

Datos de expresión diferencial

Crea un diagrama de cajas

La clase ExpressionSet

Crea un objeto ExpressionSet

Crea un diagrama de cajas con un objeto ExpressionSet

El paquete limma

Especifica un modelo lineal para comparar 2 grupos

Prueba de expresión diferencial entre 2 grupos

En este capítulo, aprenderás a construir modelos lineales para comprobar la expresión diferencial en diseños experimentales comunes.

Modelos lineales flexibles

Matriz de diseño para el modelo de medias por grupo

Matriz de contrastes para medias de grupo

Prueba de expresión diferencial con medias de grupo

Estudios con más de dos grupos

Matriz de diseño para 3 grupos

Matriz de contrastes para 3 grupos

Prueba de expresión diferencial para 3 grupos

Diseño experimental factorial

Matriz de diseño para factorial 2x2

Matriz de contrastes para factorial 2x2

Prueba de expresión diferencial para un factorial 2x2

Modelos flexibles para diseños de estudio comunes

Ahora que ya sabes realizar pruebas de expresión diferencial, verás cómo normalizar y filtrar los datos de las características, comprobar efectos de lote técnicos y evaluar los resultados.

Normalización y filtrado

Normalizar

Filtrar genes

Cómo tener en cuenta los efectos de lote técnicos

Visualizar los efectos de lote

Eliminar efectos de lote

Visualizar los resultados

Histograma de valores p

Gráfico volcán

Pruebas de enriquecimiento

Vías KEGG

Categorías de ontología génica

Preprocesamiento y posprocesamiento

En este capítulo final, pondrás en práctica lo aprendido para realizar un análisis de expresión diferencial de principio a fin en un estudio con un diseño factorial que evalúa el impacto del fármaco oncológico doxorrubicina en los corazones de ratones con distintos antecedentes genéticos.

Preprocesa los datos

Preprocesar características

Diagrama de cajas de Top2b

Comprobar fuentes de variación

Modela los datos

Matriz de diseño

Matriz de contrastes

Prueba de expresión diferencial

Inspecciona los resultados

Enriquecimiento de rutas

Conclusión

Caso práctico: efecto del tratamiento con doxorrubicina

Doxorubicin dataset

Leukemia dataset

Hypoxia dataset

Las tecnologías de genómica funcional como los microarrays, la secuenciación y la espectrometría de masas permiten obtener mediciones imparciales de los niveles de expresión génica a escala del genoma. Tanto si generas tus propios datos como si quieres explorar la gran cantidad de conjuntos de datos públicos disponibles, primero tendrás que aprender a analizar este tipo de experimentos. En este curso aprenderás a usar el versátil paquete de R/Bioconductor limma para realizar un análisis de expresión diferencial en los diseños experimentales más comunes. Además, verás cómo preprocesar los datos, identificar y corregir efectos de lote, evaluar visualmente los resultados y llevar a cabo pruebas de enriquecimiento. Al finalizar, contarás con estrategias generales de análisis para extraer información de cualquier estudio de genómica funcional.

Introduction to Statistics in R

Descubre cómo usar el versátil paquete R/Bioconductor limma para análisis de expresión diferencial.

Análisis de expresión diferencial con limma en R

Aprende a utilizar el paquete limma de Bioconductor para el análisis diferencial de la expresión génica.

Análisis de datos genómicos en R

Aplicaciones del análisis de expresión diferencial

Análisis de expresión diferencial con limma en R

ejercicio interactivo práctico