Dans ce chapitre, nous explorons ce qu'il est possible de faire avec des données RNA-Seq et pourquoi c'est si stimulant. Nous passons en revue les différentes étapes et considérations d'un flux de travaux RNA-Seq.

Introduction à l'ARN-Seq

Concepts de base

Paquets pour l'ARN-Seq

Flux de travail RNA-Seq

Alignements des lectures

Explorer la matrice de dénombrements bruts

Aperçu de l'expression génique différentielle

Théorie de l'EDG

Théorie de l'EDG : métadonnées

Introduction à la théorie et au flux de travaux RNA-Seq

Dans ce chapitre, nous effectuons le contrôle de la qualité des décomptes RNA-Seq à l'aide de cartes thermiques et de l'analyse en composantes principales. Nous examinons la similarité entre les échantillons et vérifions s'il existe des échantillons aberrants.

Introduction à l'analyse d'expression différentielle

S'exercer avec la vignette DESeq2

Organiser les données pour DESeq2

Faire correspondre les métadonnées et les données de comptes

Normalisation des décomptes

Normalisation des décomptes avec DESeq2

Carte thermique hiérarchique

Carte thermique hiérarchique par condition

Analyse de carte thermique hiérarchique

Analyse en composantes principales

Analyse ACP

Exercice sur l'ACP : explorer les variations

Mise en pratique de l'ACP : explorer d'autres variations

Analyse exploratoire des données

Dans ce chapitre, nous réalisons l'analyse d'expression différentielle, générons les résultats et identifions les gènes différentiellement exprimés.

Analyse de l'ED

Créer l'objet DE

Modèle DESeq2 – dispersion

Modèle DESeq2 — exploration des dispersions

Interpréter le graphique de dispersion

Modèle DESeq2 – contrastes

Modèle DESeq2 - extraction des résultats

Résultats DESeq2 - Réduction des LFC

Résultats DESeq2

Exploration des résultats DESeq2

Résumer les résultats DESeq2

Résultats significatifs avec DESeq2

Analyse d'expression différentielle avec DESeq2

Dans ce dernier chapitre, nous explorons les résultats d'expression différentielle à l'aide de visualisations, comme des cartes thermiques et des diagrammes volcan. Nous revoyons aussi les étapes de l'analyse et résumons le flux de travaux d'expression différentielle avec DESeq2.

Visualisation des résultats

Visualisations DESeq2 — graphiques MA et volcans

Visualisations DESeq2 - carte thermique

Résumé de l'analyse DE par RNA-Seq – configuration

Analyse DE RNA-Seq – planification expérimentale

Résumé du flux de travail RNA-Seq pour l'ED

Résumé de l'analyse DE par RNA-Seq

Analyse DE

Résultats de l'analyse DE

Prochaines étapes en RNA-Seq

Exploration des résultats d'expression différentielle

Fibrosis raw counts dataset

Le RNA-Seq est une méthode de séquençage de nouvelle génération passionnante, utilisée pour repérer les gènes et les voies biologiques liés à certaines maladies ou conditions. À mesure que le séquençage à haut débit devient plus abordable et accessible à un plus large bassin de chercheuses et chercheurs, la capacité d'analyser ces données devient une compétence de plus en plus recherchée. Joignez-vous à nous pour découvrir le déroulement d'un flux de travaux RNA-Seq et apprendre à repérer les gènes et processus biologiques susceptibles d'être importants pour votre condition d'intérêt! Nous commencerons par un bref survol du flux de travaux RNA-Seq, avec un accent sur l'analyse d'expression différentielle (DE). En partant des décomptes pour chaque gène, le cours expliquera comment préparer les données pour l'analyse DE, évaluer la qualité des décomptes, repérer les valeurs aberrantes et détecter les principales sources de variation dans les données. Le progiciel R DESeq2 sera utilisé pour modéliser les décomptes au moyen d'un modèle binomial négatif et tester les gènes différentiellement exprimés. Nous visualiserons les résultats avec des cartes thermiques et des diagrammes volcan, puis nous identifierons et enregistrerons les gènes différentiellement exprimés significatifs.

Introduction to Bioconductor in R

Introduction to Data Visualization with ggplot2

Utilisez l'analyse d'expression différentielle RNA-Seq pour identifier des gènes clés pour des maladies.

RNA-Seq avec Bioconductor dans R

Utilisez l’analyse d’expression différentielle RNA-Seq pour repérer les gènes susceptibles d’être importants dans différentes maladies ou conditions.

Analyse des données génomiques en R

Exercice sur l'ACP : explorer les variations

RNA-Seq avec Bioconductor dans R

Exercice interactif pratique