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.

Differential expression analysis

Applications of differential expression analysis

Differential expression data

Create a boxplot

The ExpressionSet class

Create an ExpressionSet object

Create a boxplot with an ExpressionSet object

The limma package

Specify a linear model to compare 2 groups

Test for differential expression between 2 groups

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.

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- 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

Histogram of p-values

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.

Gestire gli effetti di batch tecnici

Create Your Free Account