Pada bab ini kita mengeksplorasi apa yang dapat dilakukan dengan data RNA-Seq dan mengapa hal ini menarik. Kita mempelajari berbagai langkah dan pertimbangan yang terlibat dalam alur kerja RNA-Seq.

Pengantar RNA-Seq

Konsep Inti

Paket RNA-Seq

Alur Kerja RNA-Seq

Penyelarasan Read

Menjelajahi matriks hitungan mentah

Tinjauan umum ekspresi gen diferensial

Teori DGE

Teori DGE: Metadata

Pengantar teori dan alur kerja RNA-Seq

Pada bab ini, kita melakukan pengendalian mutu pada data hitungan RNA-Seq menggunakan heatmap dan principal component analysis. Kita mengeksplorasi kemiripan antar sampel dan menentukan apakah ada sampel yang merupakan pencilan.

Pengantar analisis ekspresi diferensial

Latihan dengan vignette DESeq2

Mengorganisasi data untuk DESeq2

Mencocokkan metadata dan data hitungan

Normalisasi hitungan

Menormalkan hitungan dengan DESeq2

Heatmap hierarkis

Heatmap hierarkis berdasarkan condition

Analisis heatmap hierarkis

Analisis komponen utama

Analisis PCA

Latihan PCA: mengeksplorasi variasi

Latihan PCA: mengeksplorasi variasi tambahan

Analisis data eksploratif

Pada bab ini, kita menjalankan analisis differential expression, menghasilkan hasil, dan mengidentifikasi gen yang diekspresikan secara berbeda.

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

Analisis differential expression dengan DESeq2

Pada bab terakhir ini kita mengeksplorasi hasil differential expression menggunakan visualisasi, seperti heatmap dan volcano plot. Kita juga meninjau langkah-langkah analisis dan merangkum alur kerja differential expression dengan DESeq2.

Visualisasi hasil

Visualisasi DESeq2 - plot MA dan volcano

Visualisasi DESeq2 - heatmap

Ringkasan analisis DE RNA-Seq - penyiapan

Analisis DE RNA-Seq - perencanaan eksperimen

Ringkasan alur kerja DE RNA-Seq

Ringkasan analisis DE RNA-Seq

Hasil analisis DE

Langkah selanjutnya untuk RNA-Seq

Eksplorasi hasil differential expression

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

Latihan PCA: mengeksplorasi variasi

RNA-Seq dengan Bioconductor di R

Latihan interaktif langsung