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.

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- 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

Volcano plot

Pathway enrichment

Conclusion

Case Study: Effect of Doxorubicin Treatment

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

Volcano-plot

Differentiële-expressieanalyse met limma in R

Oefeninstructies

Praktische interactieve oefening