In dit hoofdstuk verkennen we wat je met RNA-Seq-data kunt doen en waarom dat zo interessant is. We leren over de verschillende stappen en aandachtspunten in een RNA-Seq-workflow.

Introductie tot RNA-Seq

Kernbegrippen

RNA-Seq-pakketten

RNA-Seq-workflow

Read-alignments

De ruwe tellingsmatrix verkennen

Overzicht van differentiële genexpressie

DGE-theorie

DGE-theorie: metadata

Introductie tot RNA-Seq-theorie en -workflow

In dit hoofdstuk voeren we kwaliteitscontrole uit op de RNA-Seq-teldata met behulp van heatmaps en hoofcomponentenanalyse. We onderzoeken hoe sterk de monsters op elkaar lijken en bepalen of er uitschieters tussen de monsters zijn.

Introductie tot differentiële expressie-analyse

Oefenen met de DESeq2-vignette

De gegevens organiseren voor DESeq2

Metadata en tellingen matchen

Normaliseren van counts

Counts normaliseren met DESeq2

Hiërarchische heatmap

Hiërarchische heatmap per conditie

Hiërarchische heatmap-analyse

Hoofcomponentenanalyse

PCA-analyse

PCA-oefening: variatie verkennen

PCA-oefening: extra variaties verkennen

Verkennende data-analyse

In dit hoofdstuk voeren we de differentiële expressie-analyse uit, genereren we resultaten en identificeren we de differentieel geëxprimeerde genen.

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

Differentiële expressie-analyse met DESeq2

In dit laatste hoofdstuk verkennen we de resultaten van de differentiële expressie met visualisaties, zoals heatmaps en vulkaandiagrammen. We lopen ook de stappen in de analyse door en vatten de workflow voor differentiële expressie met DESeq2 samen.

Resultaten visualiseren

DESeq2-visualisaties - MA- en vulkaanplots

DESeq2-visualisaties - heatmap

Samenvatting RNA-Seq DE-analyse - setup

RNA-Seq DE-analyse - experimentele planning

Samenvatting RNA-Seq DE-workflow

Samenvatting van de RNA-Seq DE-analyse

Resultaten van DE-analyse

Volgende stappen voor RNA-Seq

Verkenning van resultaten van differentiële expressie

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

DGE-theorie

RNA-Seq met Bioconductor in R

Interactieve oefening met praktijkervaring