To begin, you'll review the goals of differential expression analysis, manage gene expression data using R and Bioconductor, and run your first differential expression analysis with 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

Differential Expression Analysis

In this chapter, you'll learn how to construct linear models to test for differential expression for common experimental designs.

Flexible linear models

Design matrix for group-means model

Contrasts matrix for group-means

Test for differential expression for group-means

Studies with more than two groups

Design matrix for 3 groups

Contrasts matrix for 3 groups

Test for differential expression for 3 groups

Factorial experimental design

Design matrix for 2x2 factorial

Contrasts matrix for 2x2 factorial

Test for differential expression for 2x2 factorial

Flexible Models for Common Study Designs

Now that you've learned how to perform differential expression tests, next you'll learn how to normalize and filter the feature data, check for technical batch effects, and assess the results.

Normalizing and filtering

Normalize

Filter genes

Accounting for technical batch effects

Visualize batch effects

Remove batch effects

Visualizing the results

Histogram of p-values

Volcano plot

Enrichment testing

KEGG pathways

Gene ontology categories

Pre- and post-processing

In this final chapter, you'll use your new skills to perform an end-to-end differential expression analysis of a study that uses a factorial design to assess the impact of the cancer drug doxorubicin on the hearts of mice with different genetic backgrounds.

Pre-process the data

Pre-process features

Boxplot of Top2b

Check sources of variation

Model the data

Design matrix

Contrasts matrix

Test for differential expression

Inspect the results

Pathway enrichment

Conclusion

Case Study: Effect of Doxorubicin Treatment

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 pratico interattivo