I det här kapitlet undersöker vi vad man kan göra med RNA-Seq-data och varför det är ett spännande område. Vi går igenom de olika stegen och övervägandena i ett RNA-Seq-arbetsflöde.

Introduktion till RNA-Seq

Grundläggande begrepp

RNA-Seq-paket

RNA-Seq-arbetsflöde

Läsningsalignments

Utforska den råa räknematrisen

Översikt över differentiell genuttrycksanalys

Teori om DGE

DGE-teori: Metadata

Introduktion till RNA-Seq-teori och arbetsflöde

I det här kapitlet utför vi kvalitetskontroll av RNA-Seq-räknedata med hjälp av heatmaps och principalkomponentanalys. Vi undersöker likheterna mellan proverna och avgör om det finns några avvikande prover.

Introduktion till differentiell expressionsanalys

Öva med DESeq2-vignetten

Organisera data för DESeq2

Matcha metadata och räkningsdata

Normalisering av räknevärden

Normalisering av räkningar med DESeq2

Hierarkisk värmekarta

Hierarkisk heatmap per condition

Analys av hierarkisk heatmap

Principalkomponentanalys

PCA-analys

PCA-övning: utforska variationer

PCA-övning: utforska ytterligare variationer

Explorativ dataanalys

I det här kapitlet genomför vi den differentiella expressionsanalysen, genererar resultat och identifierar de differentiellt uttryckta generna.

DE-analys

Skapa DE-objektet

DESeq2-modellen – dispersion

DESeq2-modellen – utforska spridningar

Tolka dispersionsdiagrammet

DESeq2-modellen – kontraster

DESeq2-modellen – extrahera resultat

DESeq2-resultat – LFC-krympning

DESeq2-resultat

Utforskning av DESeq2-resultat

Sammanfatta DESeq2-resultat

Signifikanta resultat med DESeq2

Differentiell expressionsanalys med DESeq2

I det här avslutande kapitlet utforskar vi resultaten från den differentiella expressionsanalysen med hjälp av visualiseringar, till exempel heatmaps och vulkandiagram. Vi går även igenom analysstegen och sammanfattar arbetsflödet för differentiell expressionsanalys med DESeq2.

Visualisering av resultat

DESeq2-visualiseringar – MA- och volkandiagram

DESeq2-visualiseringar – värmekarta

Sammanfattning av RNA-Seq DE-analys – förberedelser

RNA-Seq DE-analys – experimentplanering

Sammanfattning av RNA-Seq DE-arbetsflöde

Sammanfattning av RNA-Seq DE-analys

Resultat från DE-analys

RNA-Seq – nästa steg

Utforskning av resultat från differentiell expressionsanalys

Fibrosis raw counts dataset

RNA-Seq är en spännande metod för nästa generations sekvensering, som används för att identifiera gener och biologiska processer kopplade till specifika sjukdomar eller tillstånd. I takt med att högkapacitetssekvensering blir mer prisvärd och tillgänglig för fler forskare, ökar värdet av att kunna analysera denna typ av data. Lär dig mer om RNA-Seq-arbetsflödet och hur du identifierar vilka gener och biologiska processer som kan vara relevanta för ditt intresseområde! Kursen inleds med en kortfattad genomgång av RNA-Seq-arbetsflödet med fokus på differentiell expressionsanalys (DE-analys). Med genantal som utgångspunkt går kursen igenom hur du förbereder data inför DE-analys, utvärderar kvaliteten på räknedata samt identifierar avvikande prover och kartlägger de viktigaste källorna till variation i data. R-paketet DESeq2 används för att modellera räknedata med en negativ binomialmodell och testa för differentiellt uttryckta gener. Resultaten visualiseras med heatmaps och vulkandiagram, och de signifikant differentiellt uttryckta generna identifieras och sparas.

Introduction to Bioconductor in R

Introduction to Data Visualization with ggplot2

Använd RNA-Seq för att identifiera gener viktiga för olika sjukdomar eller tillstånd.

RNA-Seq med Bioconductor i R

Använd RNA-Seq differential expression analysis för att identifiera gener som sannolikt är viktiga för olika sjukdomar eller tillstånd.

Analysera genomisk data i R

DESeq2-resultat – LFC-krympning

RNA-Seq med Bioconductor i R

Övningsinstruktioner

Interaktiv övning med praktiskt arbete