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.

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

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.

DE analysis

Creating the DE object

DESeq2 model - dispersion

DESeq2 model - exploring dispersions

Interpreting the dispersion plot

DESeq2 model - contrasts

DESeq2 model - extracting results

DESeq2 results - LFC shrinkage

DESeq2 results

DESeq2 results exploration

Summarizing DESeq2 results

DESeq2 significant results

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 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

Teori DGE

RNA-Seq dengan Bioconductor di R

Latihan interaktif langsung