Pour commencer, vous passerez en revue les objectifs de l’analyse d’expression différentielle, gérerez des données d’expression génique avec R et Bioconductor, et exécuterez votre première analyse d’expression différentielle avec limma.

Analyse d’expression différentielle

Applications de l’analyse d’expression différentielle

Données d’expression différentielle

Créer un boxplot

La classe ExpressionSet

Créer un objet ExpressionSet

Créer un boxplot avec un objet ExpressionSet

Le package limma

Spécifier un modèle linéaire pour comparer 2 groupes

Tester l’expression différentielle entre 2 groupes

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 conception pour le modèle à moyennes de groupe

Matrice de contrastes pour les moyennes de groupes

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 d’expérience factoriel

Matrice de design pour un factoriel 2x2

Matrice de contrastes pour un factoriel 2x2

Tester l'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 les gènes

Prendre en compte les effets de lot techniques

Visualiser les effets de lot

Supprimer les effets de lot

Visualiser les résultats

Histogramme des valeurs p

Volcano plot

Tests d’enrichissement

Voies KEGG

Catégories de l’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 des antécédents génétiques différents.

Prétraiter les données

Prétraiter les features

Boîte à moustaches de Top2b

Vérifier les sources de variation

Modéliser les données

Matrice de conception

Matrice de contrastes

Tester l’expression différentielle

Examiner les résultats

Enrichissement de voies

Conclusion

Étude de cas : effet d’un traitement à la doxorubicine

Doxorubicin dataset

Leukemia dataset

Hypoxia dataset

Les technologies de génomique fonctionnelle comme les microarrays, le séquençage et la spectrométrie de masse permettent aux scientifiques de mesurer sans a priori les niveaux d’expression génique à l’échelle du génome. Que vous produisiez vos propres données ou que vous souhaitiez explorer les nombreux jeux de données publics, vous devez d’abord apprendre à analyser ce type d’expériences. Dans ce cours, vous verrez comment utiliser le package R/Bioconductor polyvalent limma pour réaliser une analyse d’expression différentielle sur les plans expérimentaux les plus courants. Vous apprendrez aussi à prétraiter les données, à repérer et corriger les effets de lot, à évaluer visuellement les résultats et à effectuer des tests d’enrichissement. À la fin du cours, vous disposerez de stratégies d’analyse générales pour tirer parti 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 en R

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

Conclusion

Create Your Free Account