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.

Analisis DE

Membuat objek DE

Model DESeq2 - dispersi

Model DESeq2 - mengeksplorasi dispersi

Menginterpretasikan plot dispersi

Model DESeq2 - kontras

Model DESeq2 - mengekstrak hasil

Hasil DESeq2 - penyusutan LFC

Hasil DESeq2

Eksplorasi hasil DESeq2

Meringkas hasil DESeq2

Hasil signifikan 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

RNA-Seq adalah metode sekuensing generasi berikutnya yang menarik untuk mengidentifikasi gen dan jalur yang mendasari penyakit atau kondisi tertentu. Seiring sekuensing berkapasitas tinggi menjadi semakin terjangkau dan dapat diakses oleh komunitas peneliti yang lebih luas, kemampuan untuk menganalisis data ini menjadi keterampilan yang semakin berharga. Bergabunglah untuk mempelajari alur kerja RNA-Seq dan temukan cara mengidentifikasi gen dan proses biologis yang mungkin penting bagi kondisi yang Anda teliti! Kita akan memulai kursus dengan tinjauan singkat alur kerja RNA-Seq dengan penekanan pada analisis differential expression (DE). Dimulai dari jumlah hitungan untuk setiap gen, kursus ini akan membahas cara menyiapkan data untuk analisis DE, menilai kualitas data hitungan, serta mengidentifikasi pencilan dan mendeteksi sumber variasi utama dalam data. Paket R DESeq2 akan digunakan untuk memodelkan data hitungan menggunakan model binomial negatif dan menguji gen yang diekspresikan secara berbeda. Visualisasi hasil dengan heatmap dan volcano plot akan dilakukan, dan gen yang berbeda signifikan akan diidentifikasi dan disimpan.

Introduction to Bioconductor in R

Introduction to Data Visualization with ggplot2

Gunakan analisis ekspresi diferensial RNA-Seq untuk mengidentifikasi gen penting bagi berbagai penyakit.

RNA-Seq dengan Bioconductor di R

Gunakan analisis ekspresi diferensial RNA-Seq untuk mengidentifikasi gen yang kemungkinan besar berperan penting dalam berbagai penyakit atau kondisi.

Analisis Data Genomik di R

Model DESeq2 - mengekstrak hasil

RNA-Seq dengan Bioconductor di R

Instruksi latihan

Latihan interaktif langsung praktik