To begin, you'll review the goals of differential expression analysis, manage gene expression data using R and Bioconductor, and run your first differential expression analysis with limma.

Farklı ifade analizi

Diferansiyel ifade analizinin uygulamaları

Farklılaşan ifade verileri

Kutu grafiği oluştur

ExpressionSet sınıfı

Bir ExpressionSet nesnesi oluştur

Bir ExpressionSet nesnesiyle kutu grafiği (boxplot) oluştur

limma paketi

2 grubu karşılaştırmak için bir doğrusal model belirt

2 grup arasında fark ifade testi

Differential Expression Analysis

In this chapter, you'll learn how to construct linear models to test for differential expression for common experimental designs.

Flexible linear models

Design matrix for group-means model

Contrasts matrix for group-means

Test for differential expression for group-means

Studies with more than two groups

Design matrix for 3 groups

Contrasts matrix for 3 groups

Test for differential expression for 3 groups

Factorial experimental design

Design matrix for 2x2 factorial

Contrasts matrix for 2x2 factorial

Test for differential expression for 2x2 factorial

Flexible Models for Common Study Designs

Now that you've learned how to perform differential expression tests, next you'll learn how to normalize and filter the feature data, check for technical batch effects, and assess the results.

Normalizing and filtering

Normalize

Filter genes

Accounting for technical batch effects

Visualize batch effects

Remove batch effects

Visualizing the results

Histogram of p-values

Volcano plot

Enrichment testing

KEGG pathways

Gene ontology categories

Pre- and post-processing

In this final chapter, you'll use your new skills to perform an end-to-end differential expression analysis of a study that uses a factorial design to assess the impact of the cancer drug doxorubicin on the hearts of mice with different genetic backgrounds.

Pre-process the data

Pre-process features

Boxplot of Top2b

Check sources of variation

Model the data

Design matrix

Contrasts matrix

Test for differential expression

Inspect the results

Pathway enrichment

Conclusion

Case Study: Effect of Doxorubicin Treatment

Doxorubicin dataset

Leukemia dataset

Hypoxia dataset

Mikrodizi, dizileme ve kütle spektrometrisi gibi işlevsel genomik teknolojileri, bilim insanlarının gen ekspresyon düzeylerini genom çapında önyargısız biçimde ölçmesini sağlar. Kendi verini üretiyor olsan da herkese açık çok sayıdaki veri kümesini keşfetmek istiyor olsan da, önce bu tür deneyleri nasıl analiz edeceğini öğrenmen gerekir. Bu kursta, en yaygın deney tasarımları için diferansiyel ekspresyon analizi yapmak üzere çok yönlü R/Bioconductor paketi limma’yı nasıl kullanacağını öğreneceksin. Ayrıca veriyi ön işlemden geçirmeyi, toplu (batch) etkilerini belirleyip düzeltmeyi, sonuçları görsel olarak değerlendirmeyi ve zenginleştirme testleri yapmayı öğreneceksin. Kursu tamamladığında, herhangi bir işlevsel genomik çalışmasından içgörü elde etmek için genel analiz stratejilerine sahip olacaksın.

Introduction to Statistics in R

R/Bioconductor paketi limma ile farklı ifade analizini nasıl yapabileceğinizi keşfedin.

R ile limma kullanarak Diferansiyel Ekspresyon Analizi

Diferansiyel gen ekspresyon analizi için Bioconductor paketi limma'yı kullanmayı öğrenin.

Genomik Verilerin Analizi in R

2 grubu karşılaştırmak için bir doğrusal model belirt

R ile limma kullanarak Diferansiyel Ekspresyon Analizi

Egzersiz talimatları

Uygulamalı interaktif egzersiz