In this chapter we explore what we can do with RNA-Seq data and why it is exciting. We learn about the different steps and considerations involved in an RNA-Seq workflow.

Introduction to RNA-Seq

Core Concepts

RNA-Seq Packages

RNA-Seq Workflow

Read Alignments

Exploring the raw count matrix

Differential gene expression overview

DGE Theory

DGE Theory: Metadata

Introduction to RNA-Seq theory and workflow

In this chapter, we perform quality control on the RNA-Seq count data using heatmaps and principal component analysis. We explore the similarity of the samples to each other and determine whether there are any sample outliers.

Introduction to differential expression analysis

Practice with the DESeq2 vignette

Organizing the data for DESeq2

Matching metadata and counts data

Count normalization

Normalizing counts with DESeq2

Hierarchical heatmap

Hierarchical heatmap by condition

Hierarchical heatmap analysis

Principal component analysis

PCA analysis

PCA practice: exploring variations

PCA practice: exploring additional variations

Exploratory data analysis

In this chapter, we execute the differential expression analysis, generate results and identify the differentially expressed genes.

DE-analyse

Het DE-object maken

DESeq2-model - dispersie

DESeq2-model - dispersies verkennen

De dispersieplot interpreteren

DESeq2-model - contrasten

DESeq2-model - resultaten ophalen

DESeq2-resultaten - LFC-shrinkage

DESeq2-resultaten

DESeq2-resultaten verkennen

DESeq2-resultaten samenvatten

DESeq2-significante resultaten

Differential expression analysis with DESeq2

In this final chapter we explore the differential expression results using visualizations, such as heatmaps and volcano plots. We also review the steps in the analysis and summarize the differential expression workflow with DESeq2.

Visualization of results

DESeq2 visualizations - MA and volcano plots

DESeq2 visualizations - heatmap

RNA-Seq DE analysis summary - setup

RNA-Seq DE analysis - experimental planning

RNA-Seq DE workflow summary

RNA-Seq DE analysis summary

DE analysis

DE analysis results

RNA-Seq next steps

Exploration of differential expression results

Fibrosis raw counts dataset

RNA-Seq is een spannende next-generation-sequencingmethode die wordt gebruikt om genen en routes te identificeren die ten grondslag liggen aan bepaalde ziekten of aandoeningen. Nu high-throughput-sequencing betaalbaarder en toegankelijker wordt voor een bredere onderzoeksgemeenschap, wordt de kennis om deze data te analyseren een steeds waardevollere vaardigheid. Doe mee en leer over de RNA-Seq-workflow en ontdek hoe je kunt bepalen welke genen en biologische processen belangrijk kunnen zijn voor jouw aandoening of onderwerp! We beginnen de cursus met een korte overzicht van de RNA-Seq-workflow, met nadruk op differentiële expressie (DE)-analyse. Beginnend met de tellingen per gen, behandelen we hoe je data voorbereidt voor DE-analyse, de kwaliteit van de tellingen beoordeelt, uitschieters identificeert en belangrijke bronnen van variatie in de data opspoort. We gebruiken het R-pakket DESeq2 om de tellingen te modelleren met een negatief-binomiaal model en te testen op differentieel geëxprimeerde genen. We visualiseren de resultaten met heatmaps en vulkaandiagrammen en identificeren en bewaren de significante differentieel geëxprimeerde genen.

Introduction to Bioconductor in R

Introduction to Data Visualization with ggplot2

Gebruik RNA-Seq differentiële expressieanalyse om belangrijke genen voor ziekten te identificeren.

RNA-Seq met Bioconductor in R

Gebruik RNA-Seq differentiële expressieanalyse om genen te vinden die waarschijnlijk belangrijk zijn voor verschillende ziekten of aandoeningen.

Genomische gegevens analyseren in R

DESeq2-resultaten - LFC-shrinkage

RNA-Seq met Bioconductor in R

Oefeninstructies

Praktische interactieve oefening