Dans ce chapitre, nous explorons ce que l’on peut faire avec des données RNA-Seq et pourquoi c’est enthousiasmant. Nous passons en revue les différentes étapes et points d’attention d’un flux de travail RNA-Seq.

Introduction à l’ARN-Seq

Concepts clés

Packages RNA-Seq

Workflow RNA-Seq

Alignements des lectures

Explorer la matrice de comptages bruts

Aperçu de l’expression différentielle des gènes

Théorie de l’EDG

Théorie DGE : métadonnées

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

Dans ce chapitre, nous effectuons un contrôle qualité des données de comptage RNA-Seq à l’aide de cartes de chaleur 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’entraîner avec la vignette DESeq2

Organiser les données pour DESeq2

Faire correspondre métadonnées et comptages

Normalisation des comptes

Normaliser les comptes avec DESeq2

Carte thermique hiérarchique

Carte thermique hiérarchique par condition

Analyse de carte thermique hiérarchique

Analyse en composantes principales

Analyse ACP

Exercice PCA : explorer les variations

Exercice PCA : explorer des variations supplémentaires

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’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

Analyse d’expression différentielle avec DESeq2

Dans ce dernier chapitre, nous explorons les résultats d’expression différentielle avec des visualisations, comme des cartes de chaleur et des graphiques volcan. Nous récapitulons également les étapes de l’analyse et synthétisons le flux de travail d’expression différentielle avec DESeq2.

Visualisation des résultats

Visualisations DESeq2 : graphiques MA et volcans

Visualisations DESeq2 - carte thermique

Résumé de l’analyse DE RNA-Seq - préparation

Analyse DE RNA-Seq - planification expérimentale

Résumé du workflow d’analyse DE pour l’ARN-Seq

Synthèse de l’analyse DE en RNA-Seq

Analyse DE

Résultats de l’analyse DE

Prochaines étapes de l’ARN-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 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

Théorie de l’EDG

RNA-Seq avec Bioconductor en R

Exercice interactif pratique