In this chapter we explore what we can do with RNA-Seq data and why it is exciting. We learn about the different steps and considerations involved in an RNA-Seq workflow.

Introduction to RNA-Seq

Core Concepts

RNA-Seq Packages

RNA-Seq Workflow

Read Alignments

Exploring the raw count matrix

Differential gene expression overview

DGE Theory

DGE Theory: Metadata

Introduction to RNA-Seq theory and workflow

In this chapter, we perform quality control on the RNA-Seq count data using heatmaps and principal component analysis. We explore the similarity of the samples to each other and determine whether there are any sample outliers.

Introduction to differential expression analysis

Practice with the DESeq2 vignette

Organizing the data for DESeq2

Matching metadata and counts data

Count normalization

Normalizing counts with DESeq2

Hierarchical heatmap

Hierarchical heatmap by condition

Hierarchical heatmap analysis

Principal component analysis

PCA analysis

PCA practice: exploring variations

PCA practice: exploring additional variations

Exploratory data analysis

In this chapter, we execute the differential expression analysis, generate results and identify the differentially expressed genes.

Analyse de l’expression différentielle

Créer l’objet DE

Modèle DESeq2 - dispersion

Modèle DESeq2 - explorer les 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

Differential expression analysis with DESeq2

In this final chapter we explore the differential expression results using visualizations, such as heatmaps and volcano plots. We also review the steps in the analysis and summarize the differential expression workflow with DESeq2.

Visualization of results

DESeq2 visualizations - MA and volcano plots

DESeq2 visualizations - heatmap

RNA-Seq DE analysis summary - setup

RNA-Seq DE analysis - experimental planning

RNA-Seq DE workflow summary

RNA-Seq DE analysis summary

DE analysis

DE analysis results

RNA-Seq next steps

Exploration of differential expression results

Fibrosis raw counts dataset

Le RNA-Seq est une méthode de séquençage de nouvelle génération passionnante, utilisée pour identifier les gènes et les voies impliqués dans certaines maladies ou conditions. À mesure que le séquençage à haut débit devient plus abordable et accessible à une communauté de chercheurs plus large, savoir analyser ces données devient une compétence de plus en plus précieuse. Rejoignez-nous pour découvrir le flux de travail RNA-Seq et apprendre à identifier les gènes et processus biologiques susceptibles d’être importants pour votre condition d’intérêt. Nous commencerons par un bref aperçu du flux de travail RNA-Seq, en mettant l’accent sur l’analyse d’expression différentielle (DE). À partir des comptes pour chaque gène, le cours expliquera comment préparer les données pour l’analyse DE, évaluer la qualité des données de comptage, identifier les valeurs aberrantes et détecter les principales sources de variation. Le package R DESeq2 sera utilisé pour modéliser les données de comptage avec un modèle binomial négatif et tester les gènes différentiellement exprimés. Nous visualiserons les résultats à l’aide de cartes de chaleur et de volcans, et 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 en R

Analyse des données génomiques en R

Interpréter le graphique de dispersion

Exercice interactif pratique