Para começar, você vai revisar os objetivos da análise de expressão diferencial, manipular dados de expressão gênica usando R e Bioconductor e executar sua primeira análise de expressão diferencial com o limma.

Análise de expressão diferencial

Aplicações da análise de expressão diferencial

Dados de expressão diferencial

Crie um boxplot

A classe ExpressionSet

Criar um objeto ExpressionSet

Crie um boxplot com um objeto ExpressionSet

O pacote limma

Especifique um modelo linear para comparar 2 grupos

Teste de expressão diferencial entre 2 grupos

Análise de Expressão Diferencial

Neste capítulo, você vai aprender a construir modelos lineares para testar expressão diferencial em desenhos experimentais comuns.

Modelos lineares flexíveis

Matriz de delineamento para o modelo de médias por grupo

Matriz de contrastes para médias de grupos

Teste de expressão diferencial para médias de grupos

Estudos com mais de dois grupos

Matriz de desenho para 3 grupos

Matriz de contrastes para 3 grupos

Teste de expressão diferencial para 3 grupos

Planejamento experimental fatorial

Matriz de design para fatorial 2x2

Matriz de contrastes para fatorial 2x2

Teste de expressão diferencial para fatorial 2x2

Modelos Flexíveis para Desenhos de Estudos Comuns

Agora que você aprendeu a realizar testes de expressão diferencial, no próximo passo você vai aprender a normalizar e filtrar os dados de features, verificar efeitos técnicos de lote e avaliar os resultados.

Normalização e filtragem

Normalizar

Filtrar genes

Considerando efeitos de lote técnicos

Visualize efeitos de lote

Remover efeitos de lote

Visualizando os resultados

Histograma de valores-p

Gráfico vulcão

Teste de enriquecimento

Vias KEGG

Categorias de ontologia gênica

Pré e pós-processamento

Neste capítulo final, você vai aplicar suas novas habilidades para realizar uma análise de expressão diferencial de ponta a ponta em um estudo com desenho fatorial para avaliar o impacto do fármaco antineoplásico doxorrubicina nos corações de camundongos com diferentes antecedentes genéticos.

Pré-processar os dados

Pré-processar características

Boxplot de Top2b

Verificar fontes de variação

Modelar os dados

Matriz de delineamento

Matriz de contrastes

Teste de expressão diferencial

Inspecione os resultados

Histograma de p-values

Enriquecimento de vias

Conclusão

Estudo de Caso: Efeito do Tratamento com Doxorrubicina

Doxorubicin dataset

Leukemia dataset

Hypoxia dataset

Tecnologias de genômica funcional como microarranjos, sequenciamento e espectrometria de massa permitem que cientistas coletem medições imparciais dos níveis de expressão gênica em escala genômica. Seja para analisar seus próprios dados ou explorar a grande quantidade de conjuntos de dados públicos disponíveis, você precisa primeiro aprender a analisar esses tipos de experimentos. Neste curso, você vai aprender a usar o versátil pacote limma do R/Bioconductor para realizar uma análise de expressão diferencial nos desenhos experimentais mais comuns. Além disso, você vai aprender a pré-processar os dados, identificar e corrigir efeitos de lote, avaliar os resultados visualmente e realizar testes de enriquecimento. Ao concluir este curso, você terá estratégias gerais de análise para extrair insights de qualquer estudo de genômica funcional.

Introduction to Statistics in R

Descubra como usar o versátil pacote R/Bioconductor limma para análise de expressão diferencial.

Análise de Expressão Diferencial com limma em R

Aprenda a usar o pacote limma do Bioconductor para fazer análises de expressão gênica diferencial.

Conclusão

Create Your Free Account