Om te beginnen herhaal je de doelen van differentiële-expressieanalyse, beheer je genexpressiedata met R en Bioconductor, en voer je je eerste differentiële-expressieanalyse uit met limma.

Differentiële expressie-analyse

Toepassingen van differentiële expressieanalyse

Differentiële-expressiegegevens

Maak een boxplot

De klasse ExpressionSet

Maak een ExpressionSet-object

Maak een boxplot met een ExpressionSet-object

Het limma-pakket

Specificeer een lineair model om 2 groepen te vergelijken

Test op differentiële expressie tussen 2 groepen

Differentiële-expressieanalyse

In dit hoofdstuk leer je hoe je lineaire modellen opstelt om te testen op differentiële expressie voor veelvoorkomende experimentele ontwerpen.

Flexibele lineaire modellen

Designmatrix voor het groepsgemiddeldenmodel

Contrastmatrix voor groepsgemiddelden

Test op differentiële expressie voor groepsgemiddelden

Studies met meer dan twee groepen

Designmatrix voor 3 groepen

Contrastmatrix voor 3 groepen

Test op differentiële expressie voor 3 groepen

Factorieel experimenteel ontwerp

Designmatrix voor 2x2-factorieel

Contrastmatrix voor 2x2-factorieel ontwerp

Test op differentiële expressie voor een 2x2-factorieel ontwerp

Flexibele modellen voor veelvoorkomende studiedesigns

Nu je hebt geleerd hoe je differentiële-expressietesten uitvoert, leer je vervolgens hoe je de kenmerken (features) normaliseert en filtert, controleert op technische batch-effecten en de resultaten beoordeelt.

Normaliseren en filteren

Normaliseren

Genen filteren

Rekening houden met technische batch-effecten

Batch-effecten visualiseren

Batch-effecten verwijderen

De resultaten visualiseren

Histogram van p-waarden

Volcano-plot

Enrichment testing

KEGG-pathways

Gene ontology-categorieën

Pre- en post-processing

In dit laatste hoofdstuk gebruik je je nieuwe vaardigheden om een end-to-end differentiële-expressieanalyse uit te voeren van een studie met een factoriëel design, om de impact te bepalen van het kankermedicijn doxorubicine op de harten van muizen met verschillende genetische achtergronden.

De gegevens voorbewerken

Features pre-processen

Boxplot van Top2b

Controleer bronnen van variatie

Modelleer de data

Ontwerpmatrix

Contrastmatrix

Test op differentiële expressie

Bekijk de resultaten

Histogram van p-waardes

Volcanoplot

Padway-verrijking

Conclusie

Casestudy: effect van doxorubicinebehandeling

Doxorubicin dataset

Leukemia dataset

Hypoxia dataset

Functionele genomische technologieën zoals microarrays, sequencing en massaspectrometrie stellen wetenschappers in staat om onbevooroordeelde metingen van genexpressieniveaus op genomische schaal te verzamelen. Of je nu je eigen data genereert of de vele openbaar beschikbare gegevenssets wilt verkennen, je moet eerst leren hoe je dit soort experimenten analyseert. In deze cursus leer je hoe je het veelzijdige R/Bioconductor-pakket limma gebruikt om een differentiële-expressieanalyse uit te voeren voor de meest voorkomende experimentele ontwerpen. Daarnaast leer je hoe je de data voorbewerkt, batch-effecten identificeert en corrigeert, de resultaten visueel beoordeelt en verrijkingstesten uitvoert. Na het afronden van deze cursus heb je algemene analysetrategieën om uit elke functionele genomics-studie inzichten te halen.

Introduction to Statistics in R

Ontdek hoe je het veelzijdige R/Bioconductor-pakket limma gebruikt voor differentiële expressieanalyse.

Differentiële-expressieanalyse met limma in R

Leer hoe je het Bioconductor-pakket limma kunt gebruiken voor differentiële genexpressieanalyse.

Genomische gegevens analyseren in R

Toepassingen van differentiële expressieanalyse

Differentiële-expressieanalyse met limma in R

Interactieve oefening met praktijkervaring