Pour commencer, vous reverrez les objectifs de l'analyse d'expression différentielle, vous manipulerez des données d'expression génique avec R et Bioconductor, puis vous exécuterez votre première analyse d'expression différentielle avec limma.

Analyse de l'expression différentielle

Applications de l'analyse d'expression différentielle

Données d'expression différentielle

Créer un diagramme à boîtes

La classe ExpressionSet

Créer un objet ExpressionSet

Créer un diagramme à moustaches avec un objet ExpressionSet

Le paquet limma

Spécifier un modèle linéaire pour comparer 2 groupes

Tester l'expression différentielle entre 2 groupes

Analyse d'expression différentielle

Dans ce chapitre, vous apprendrez à construire des modèles linéaires pour tester l'expression différentielle dans des plans expérimentaux courants.

Modèles linéaires flexibles

Matrice de plan pour le modèle à moyennes de groupe

Matrice de contrastes pour les moyennes de groupe

Tester l'expression différentielle pour les moyennes de groupe

Études avec plus de deux groupes

Matrice de plan pour 3 groupes

Matrice de contrastes pour 3 groupes

Tester l'expression différentielle pour 3 groupes

Plan expérimental factoriel

Matrice de plan pour un factoriel 2x2

Matrice de contrastes pour un factoriel 2x2

Test d'expression différentielle pour un factoriel 2x2

Modèles flexibles pour des plans d'étude courants

Maintenant que vous savez réaliser des tests d'expression différentielle, vous apprendrez à normaliser et filtrer les caractéristiques, à vérifier les effets de lot techniques et à évaluer les résultats.

Normalisation et filtrage

Normaliser

Filtrer des gènes

Prise en compte des effets de lot techniques

Visualiser les effets de lot

Supprimer les effets de lot

Visualiser les résultats

Histogramme des valeurs p

Nuage volcanique

Test d'enrichissement

Voies KEGG

Catégories d'ontologie génétique

Prétraitement et post-traitement

Dans ce dernier chapitre, vous mettrez en pratique vos nouvelles compétences pour effectuer de bout en bout une analyse d'expression différentielle d'une étude utilisant un plan factoriel afin d'évaluer l'impact du médicament anticancéreux doxorubicine sur le cœur de souris ayant différents arrière-plans génétiques.

Prétraiter les données

Prétraiter les caractéristiques

Boîte à moustaches de Top2b

Vérifier les sources de variation

Modéliser les données

Matrice de plan

Matrice des contrastes

Tester l'expression différentielle

Examiner les résultats

Graphique volcan

Enrichissement de voies

Conclusion

Étude de cas : effet du traitement à la doxorubicine

Leukemia dataset

Doxorubicin dataset

Hypoxia dataset

Les technologies de génomique fonctionnelle comme les microréseaux, le séquençage et la spectrométrie de masse permettent aux scientifiques d'obtenir des mesures non biaisées des niveaux d'expression génique à l'échelle du génome. Que vous génériez vos propres données ou que vous souhaitiez explorer le grand nombre d'ensembles de données publics, vous devrez d'abord apprendre à analyser ces types d'expériences. Dans ce cours, vous apprendrez à utiliser le puissant paquet R/Bioconductor limma pour réaliser une analyse d'expression différentielle sur les plans expérimentaux les plus courants. Vous verrez aussi comment prétraiter les données, repérer et corriger les effets de lot, évaluer visuellement les résultats et effectuer des tests d'enrichissement. À la fin du cours, vous disposerez de stratégies générales d'analyse pour tirer des enseignements de toute étude de génomique fonctionnelle.

Introduction to Statistics in R

Découvrez comment utiliser le package R/Bioconductor limma pour analyser l'expression différentielle.

Analyse d'expression différentielle avec limma dans R

Apprenez à utiliser le package Bioconductor limma pour l’analyse différentielle de l’expression génique.

Analyse des données génomiques en R

Applications de l'analyse d'expression différentielle

Analyse d'expression différentielle avec limma dans R

Exercice interactif pratique