En este capítulo exploramos qué podemos hacer con datos de RNA-Seq y por qué resulta tan interesante. Conocerás las distintas etapas y consideraciones de un flujo de trabajo de RNA-Seq.

Introducción a RNA-Seq

Conceptos clave

Paquetes de RNA-Seq

Flujo de trabajo de RNA-Seq

Alineamientos de lecturas

Explorar la matriz de conteos en bruto

Resumen de la expresión génica diferencial

Teoría de DGE

Teoría de DGE: Metadatos

Introducción a la teoría y al flujo de trabajo de RNA-Seq

En este capítulo realizamos control de calidad de los recuentos de RNA-Seq usando mapas de calor y análisis de componentes principales. Exploramos la similitud entre las muestras y determinamos si hay alguna muestra atípica.

Introducción al análisis de expresión diferencial

Practica con la viñeta de DESeq2

Organizar los datos para DESeq2

Hacer coincidir metadatos y datos de conteos

Normalización de conteos

Normalizar recuentos con DESeq2

Mapa de calor jerárquico

Mapa de calor jerárquico por condición

Análisis de mapa de calor jerárquico

Análisis de componentes principales

Análisis de PCA

Práctica de PCA: explorando variaciones

Práctica de PCA: explorando variaciones adicionales

Análisis exploratorio de datos

En este capítulo llevamos a cabo el análisis de expresión diferencial, generamos resultados e identificamos los genes diferencialmente expresados.

Análisis de DE

Crear el objeto DE

Modelo de DESeq2: dispersión

Modelo DESeq2: explorando las dispersiones

Interpretar el gráfico de dispersión

Modelo DESeq2: comparaciones (contrastes)

Modelo DESeq2 - extracción de resultados

Resultados de DESeq2 - reducción de LFC

Resultados de DESeq2

Exploración de resultados de DESeq2

Resumir resultados de DESeq2

Resultados significativos con DESeq2

Análisis de expresión diferencial con DESeq2

En este capítulo final exploramos los resultados de expresión diferencial mediante visualizaciones como mapas de calor y gráficos de volcán. También repasamos los pasos del análisis y resumimos el flujo de trabajo de expresión diferencial con DESeq2.

Visualización de resultados

Visualizaciones con DESeq2: gráficos MA y de volcán

Visualizaciones de DESeq2: mapa de calor

Resumen del análisis de DE en RNA-Seq - configuración

Análisis de DE en RNA-Seq - planificación experimental

Resumen del flujo de trabajo de DE en RNA-Seq

Resumen del análisis de DE por RNA-Seq

Análisis DE

Resultados del análisis DE

Próximos pasos en RNA-Seq

Exploración de los resultados de expresión diferencial

Fibrosis raw counts dataset

RNA-Seq es un emocionante método de secuenciación de nueva generación que se utiliza para identificar genes y rutas implicados en enfermedades o condiciones concretas. A medida que la secuenciación de alto rendimiento se vuelve más asequible y accesible para una comunidad más amplia de investigadores, saber analizar estos datos es una habilidad cada vez más valiosa. Acompáñanos para aprender el flujo de trabajo de RNA-Seq y descubrir cómo identificar qué genes y procesos biológicos pueden ser importantes para tu condición de interés. Empezaremos el curso con una breve visión general del flujo de trabajo de RNA-Seq con énfasis en el análisis de expresión diferencial (DE). Partiendo de los recuentos de cada gene, el curso cubrirá cómo preparar los datos para el análisis DE, evaluar la calidad de los recuentos e identificar valores atípicos y detectar las principales fuentes de variación en los datos. Usaremos el paquete de R DESeq2 para modelar los recuentos con un modelo binomial negativo y probar qué genes están diferencialmente expresados. Representaremos los resultados con mapas de calor y gráficos de volcán, e identificaremos y guardaremos los genes diferencialmente expresados significativos.

Introduction to Bioconductor in R

Introduction to Data Visualization with ggplot2

Usa análisis de expresión diferencial RNA-Seq para identificar genes clave en diversas enfermedades.

RNA-Seq con Bioconductor en R

Utiliza el análisis de expresión diferencial de RNA-Seq para identificar genes importantes para diferentes enfermedades o afecciones.

Análisis de datos genómicos en R

Práctica de PCA: explorando variaciones

RNA-Seq con Bioconductor en R

Ejercicio interactivo práctico