Per iniziare, ripasserai gli obiettivi dell'analisi di espressione differenziale, gestirai dati di espressione genica con R e Bioconductor ed eseguirai la tua prima analisi di espressione differenziale con limma.

Analisi dell'espressione differenziale

Applicazioni dell'analisi di espressione differenziale

Dati di espressione differenziale

Crea un boxplot

La classe ExpressionSet

Crea un oggetto ExpressionSet

Crea un boxplot con un oggetto ExpressionSet

Il pacchetto limma

Specifica un modello lineare per confrontare 2 gruppi

Test per l’espressione differenziale tra 2 gruppi

In questo capitolo imparerai a costruire modelli lineari per testare l'espressione differenziale in disegni sperimentali comuni.

Modelli lineari flessibili

Matrice di disegno per il modello a medie di gruppo

Matrice dei contrasti per le medie di gruppo

Test per l'espressione differenziale con medie di gruppo

Studi con più di due gruppi

Matrice di disegno per 3 gruppi

Matrice dei contrasti per 3 gruppi

Test dell'espressione differenziale per 3 gruppi

Disegno sperimentale fattoriale

Matrice di disegno per fattoriale 2x2

Matrice dei contrasti per fattoriale 2x2

Test per espressione differenziale per fattoriale 2x2

Modelli flessibili per disegni sperimentali comuni

Ora che sai eseguire test di espressione differenziale, imparerai a normalizzare e filtrare le feature, controllare gli effetti tecnici di batch e valutare i risultati.

Normalizzazione e filtraggio

Normalizza

Filtra i geni

Gestire gli effetti di batch tecnici

Visualizza gli effetti di batch

Rimuovere gli effetti di batch

Visualizzare i risultati

Istogramma dei p-value

Volcano plot

Test di arricchimento

Pathway KEGG

Categorie di gene ontology

Pre- e post-processing

In questo capitolo finale, userai le nuove competenze per eseguire un'analisi completa di espressione differenziale di uno studio con disegno fattoriale per valutare l'impatto del farmaco antitumorale doxorubicina sul cuore di topi con diversi background genetici.

Pre-elabora i dati

Pre-elabora le caratteristiche

Boxplot di Top2b

Verifica le fonti di variazione

Modella i dati

Matrice di disegno

Matrice dei contrasti

Test per l'espressione differenziale

Analizza i risultati

Arricchimento delle vie

Conclusione

Caso di studio: effetto del trattamento con doxorubicina

Doxorubicin dataset

Leukemia dataset

Hypoxia dataset

Le tecnologie di genomica funzionale come microarray, sequenziamento e spettrometria di massa permettono agli scienziati di ottenere misurazioni non selettive dei livelli di espressione genica su scala dell'intero genoma. Che tu stia generando i tuoi dati o voglia esplorare il grande numero di insiemi di dati pubblici disponibili, dovrai prima imparare ad analizzare questo tipo di esperimenti. In questo corso imparerai a usare il versatile pacchetto R/Bioconductor limma per eseguire un'analisi di espressione differenziale nei disegni sperimentali più comuni. Inoltre, imparerai a pre-processare i dati, individuare e correggere gli effetti di batch, valutare visivamente i risultati ed eseguire test di arricchimento. Al termine del corso, avrai strategie di analisi generali per ricavare insight da qualsiasi studio di genomica funzionale.

Introduction to Statistics in R

Scopri come usare il versatile pacchetto R/Bioconductor limma per analisi di espressione differenziale.

Analisi dell'espressione differenziale con limma in R

Impara a usare il pacchetto Bioconductor limma per l'analisi dell'espressione genica differenziale.

Analizzare i dati genomici in R

Applicazioni dell'analisi di espressione differenziale

Analisi dell'espressione differenziale con limma in R

esercizio interattivo pratico