Na początku omówisz cele analizy różnicowej ekspresji genów, zarządzanie danymi ekspresji genów przy użyciu R i Bioconductor, a następnie przeprowadzisz pierwszą analizę różnicowej ekspresji genów z pakietem limma.

Analiza różnicowej ekspresji genów

Zastosowania analizy różnicowej ekspresji

Dane z analizy ekspresji różnicowej

Tworzenie wykresów pudełkowych

Klasa ExpressionSet

Tworzenie obiektu ExpressionSet

Tworzenie wykresu pudełkowego z obiektem ExpressionSet

Pakiet limma

Definiowanie modelu liniowego do porównania 2 grup

Testowanie różnicowej ekspresji między 2 grupami

W tym rozdziale nauczysz się budować modele liniowe służące do testowania różnicowej ekspresji genów w typowych schematach doświadczalnych.

Elastyczne modele liniowe

Macierz projektu dla modelu średnich grupowych

Macierz kontrastów dla średnich grupowych

Test różnicowej ekspresji dla średnich grupowych

Badania z więcej niż dwiema grupami

Macierz projektowa dla 3 grup

Macierz kontrastów dla 3 grup

Testowanie różnicowej ekspresji dla 3 grup

Czynnikowy plan eksperymentu

Macierz projektu dla układu czynnikowego 2x2

Macierz kontrastów dla układu czynnikowego 2x2

Testowanie różnicowej ekspresji dla układu czynnikowego 2x2

Elastyczne modele dla typowych schematów badań

Skoro wiesz już, jak przeprowadzać testy różnicowej ekspresji genów, czas dowiedzieć się, jak normalizować i filtrować dane cech, wykrywać techniczne efekty wsadowe oraz oceniać wyniki.

Normalizacja i filtrowanie

Normalizacja

Filtrowanie genów

Uwzględnianie technicznych efektów wsadowych

Wizualizacja efektów partii

Usuwanie efektów partii

Wizualizacja wyników

Histogram wartości p

Wykres wulkaniczny

Testowanie wzbogacenia

Ścieżki KEGG

Kategorie ontologii genów

Przetwarzanie wstępne i końcowe

W tym ostatnim rozdziale wykorzystasz zdobyte umiejętności do przeprowadzenia kompleksowej analizy różnicowej ekspresji genów w badaniu opartym na schemacie czynnikowym, które ocenia wpływ leku przeciwnowotworowego doksorubicyny na serca myszy o różnym tle genetycznym.

Przetwarzanie wstępne danych

Wstępne przetwarzanie cech

Wykres pudełkowy dla Top2b

Sprawdź źródła zmienności

Modelowanie danych

Macierz planu eksperymentu

Macierz kontrastów

Testowanie różnicowej ekspresji

Zbadaj wyniki

Analiza wzbogacenia szlaków biologicznych

Podsumowanie

Studium przypadku: wpływ leczenia doksorubicyną

Leukemia dataset

Doxorubicin dataset

Hypoxia dataset

Technologie funkcjonalnej genomiki, takie jak mikromacierze, sekwencjonowanie i spektrometria mas, umożliwiają naukowcom zbieranie obiektywnych pomiarów poziomów ekspresji genów w skali całego genomu. Niezależnie od tego, czy generujesz własne dane, czy chcesz przeanalizować ogromną liczbę publicznie dostępnych zbiorów danych, musisz najpierw nauczyć się analizować tego typu eksperymenty. W tym kursie poznasz pakiet R/Bioconductor limma i wykorzystasz go do przeprowadzenia analizy różnicowej ekspresji genów dla najczęściej spotykanych schematów doświadczalnych. Dowiesz się również, jak wstępnie przetwarzać dane, identyfikować efekty wsadowe i je korygować, wizualnie oceniać wyniki oraz przeprowadzać testy wzbogacenia. Po ukończeniu kursu będziesz dysponować ogólnymi strategiami analizy, które pozwolą ci wyciągać wnioski z dowolnego badania funkcjonalnej genomiki.

Introduction to Statistics in R

Odkryj, jak używać pakietu R/Bioconductor limma do analizy różnicowej w typowych projektach eksperymentów.

Analiza różnicowej ekspresji genów z limma w R

Naucz się używać pakietu Bioconductor limma do analizy różnicowej ekspresji genów.

Analiza danych genomowych w R

Zastosowania analizy różnicowej ekspresji

Analiza różnicowej ekspresji genów z limma w R

Interaktywne ćwiczenie praktyczne