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.

Differential expression analysis

Applications of differential expression analysis

Differential expression data

Create a boxplot

The ExpressionSet class

Create an ExpressionSet object

Create a boxplot with an ExpressionSet object

The limma package

Specify a linear model to compare 2 groups

Test for differential expression between 2 groups

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.

Normalize etme ve filtreleme

Normalize et

Genleri filtrele

Teknik parti etkilerini hesaba katma

Toplu (batch) etkilerini görselleştir

Batch etkilerini kaldır

Sonuçları görselleştirme

p-değerlerinin histogramı

Volkan grafiği

Zenginleştirme testi

KEGG yolları

Gen ontolojisi kategorileri

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

Histogram of p-values

Volcano plot

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

Volkan grafiği

R ile limma kullanarak Diferansiyel Ekspresyon Analizi

Egzersiz talimatları

Uygulamalı interaktif egzersiz