首先，您将回顾差异表达分析的目标，学习使用 R 和 Bioconductor 管理基因表达数据，并用 limma 运行您的首个差异表达分析。

差异表达分析

差异表达分析的应用

差异表达数据

绘制箱线图

ExpressionSet 类

创建一个 ExpressionSet 对象

使用 ExpressionSet 对象创建箱线图

limma 包

为比较 2 个组别指定线性模型

检验两个组之间的差异表达

本章将带您学习如何构建线性模型，以检验常见实验设计中的差异表达。

灵活的线性模型

分组均值模型的设计矩阵

组均值的对比矩阵

基于组均值检验差异表达

包含超过 2 个组的研究

3 组的设计矩阵

3 组的对比矩阵

对 3 个分组进行差异表达检验

析因实验设计

2×2 因子设计的设计矩阵

2x2 因子设计的对比矩阵

针对 2x2 因子设计的差异表达检验

常见研究设计的灵活模型

在掌握如何进行差异表达检验之后，接下来您将学习如何标准化与筛选特征数据、检查技术性批次效应，并评估分析结果。

归一化与筛选

标准化

筛选基因

处理技术批次效应

可视化批次效应

去除批次效应

可视化结果

p 值直方图

火山图

富集检验

KEGG 通路

基因本体（Gene Ontology）类别

前处理与后处理

在最后一章中，您将运用新学到的技能，对一项采用析因设计的研究进行端到端的差异表达分析，以评估抗癌药物阿霉素对不同遗传背景小鼠心脏的影响。

预处理数据

预处理特征

Top2b 的箱线图

检查变异来源

建模数据

设计矩阵

对比矩阵

检验差异表达

检查结果

通路富集分析

总结

案例研究：阿霉素处理的影响

Leukemia dataset

Doxorubicin dataset

Hypoxia dataset

功能基因组学技术（如微阵列、测序和质谱）使科研人员能够在全基因组尺度上无偏测量基因表达水平。无论您是自己生成数据，还是想探索大量公开数据集，都需要先学会如何分析这类实验。在本课程中，您将学习如何使用功能强大的 R/Bioconductor 包 limma，在最常见的实验设计上进行差异表达分析。此外，您还将学习如何对数据进行预处理、识别并校正批次效应、可视化评估结果，以及执行富集检验。完成本课程后，您将掌握适用于任意功能基因组学研究的一般分析策略，以获取有意义的见解。

Introduction to Statistics in R

了解如何使用多功能R/Bioconductor包limma进行常见实验设计的差异表达分析。

包含超过 2 个组的研究

Create Your Free Account