W tym rozdziale sprawdzimy, co można zrobić z danymi RNA-Seq i dlaczego są tak interesujące. Poznasz poszczególne etapy i aspekty przepływu pracy RNA-Seq.

Wprowadzenie do RNA-Seq

Podstawowe pojęcia

Pakiety RNA-Seq

Przepływ pracy w RNA-Seq

Dopasowania odczytów

Eksploracja surowej macierzy zliczeń

Omówienie analizy różnicowej ekspresji genów

Teoria DGE

Teoria DGE: metadane

Wprowadzenie do teorii i przepływu pracy RNA-Seq

W tym rozdziale przeprowadzisz kontrolę jakości danych zliczeniowych RNA-Seq za pomocą map ciepła i analizy głównych składowych. Zbadasz podobieństwo próbek do siebie nawzajem i sprawdzisz, czy wśród nich nie ma wartości odstających.

Wprowadzenie do analizy różnicowej ekspresji genów

Ćwiczenie z vignette pakietu DESeq2

Organizacja danych dla DESeq2

Dopasowanie metadanych do danych ze zliczeniami

Normalizacja liczby odczytów

Normalizacja zliczeń za pomocą DESeq2

Hierarchiczny heatmap

Hierarchiczna mapa ciepła według warunków

Analiza hierarchicznej mapy ciepła

Analiza głównych składowych

Analiza PCA

Ćwiczenie z PCA: eksploracja zmienności

Ćwiczenie z PCA: badanie dodatkowych źródeł zmienności

Eksploracyjna analiza danych

W tym rozdziale wykonasz analizę różnicowej ekspresji, wygenerujesz wyniki i zidentyfikujesz geny różnicowo ekspresjowane.

Analiza DE

Tworzenie obiektu DE

Model DESeq2 – dyspersja

Model DESeq2 – analiza dyspersji

Interpretacja wykresu dyspersji

Model DESeq2 – kontrasty

Model DESeq2 – wyodrębnianie wyników

Wyniki DESeq2 – redukcja LFC

Wyniki DESeq2

Eksploracja wyników DESeq2

Podsumowanie wyników DESeq2

Istotne wyniki DESeq2

Analiza różnicowej ekspresji z DESeq2

W tym ostatnim rozdziale przeanalizujesz wyniki różnicowej ekspresji za pomocą wizualizacji, takich jak mapy ciepła i wykresy wulkaniczne. Podsumujemy też poszczególne etapy analizy i omówimy przepływ pracy różnicowej ekspresji z DESeq2.

Wizualizacja wyników

Wizualizacje w DESeq2 – wykresy MA i wulkaniczne

Wizualizacje w DESeq2 – heatmapa

Podsumowanie analizy DE w RNA-Seq – konfiguracja

Analiza DE RNA-Seq – planowanie eksperymentu

Podsumowanie przepływu pracy DE w RNA-Seq

Podsumowanie analizy DE w RNA-Seq

Wyniki analizy DE

Kolejne kroki w RNA-Seq

Eksploracja wyników różnicowej ekspresji

Fibrosis raw counts dataset

RNA-Seq to zaawansowana metoda sekwencjonowania nowej generacji, służąca do identyfikacji genów i szlaków biologicznych leżących u podłoża określonych chorób lub stanów. W miarę jak sekwencjonowanie wysokoprzepustowe staje się coraz bardziej dostępne dla szerszego grona badaczy, umiejętność analizy tych danych nabiera coraz większego znaczenia. Zapraszamy do nauki przepływu pracy RNA-Seq i odkrycia, jak identyfikować geny oraz procesy biologiczne istotne dla badanego stanu! Kurs rozpoczniemy od krótkiego przeglądu przepływu pracy RNA-Seq, ze szczególnym naciskiem na analizę różnicowej ekspresji (DE). Wychodząc od liczby odczytów dla każdego genu, omówimy przygotowanie danych do analizy DE, ocenę jakości danych zliczeniowych, identyfikację wartości odstających oraz wykrywanie głównych źródeł zmienności. Do modelowania danych zliczeniowych za pomocą modelu ujemnego dwumianowego i testowania genów różnicowo ekspresjowanych zostanie użyty pakiet DESeq2. Przeprowadzimy wizualizację wyników za pomocą map ciepła i wykresów wulkanicznych, a istotne geny różnicowo ekspresjowane zostaną zidentyfikowane i zapisane.

Introduction to Bioconductor in R

Introduction to Data Visualization with ggplot2

Użyj analizy różnicowej RNA-Seq, aby zidentyfikować geny istotne dla różnych chorób lub stanów.

RNA-Seq z Bioconductor w R

Analiza różnicowej ekspresji RNA-Seq, aby identyfikować geny prawdopodobnie ważne dla różnych chorób lub stanów.

Analiza danych genomowych w R

Dopasowania odczytów

RNA-Seq z Bioconductor w R

Interaktywne ćwiczenie praktyczne