Name: DiCoExpress를 이용한 다인자 RNA-Seq 실험 분석 (동영상) | JoVE Journal
Uploaded: 2022-07-29T12:30:00.000+00:00
Duration: 5 min 22 s
Description: 배우세요 DiCoExpress를 이용한 RNA-Seq 데이터 분석 방법을. 품질 관리부터 공동 발현 분석까지 통계학적 지식이 부족한 연구자도 쉽게 사용할 수 있으며, 발표용 그래픽 출력물을 제공합니다.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

이 작업은 주로 ANR PSYCHE (ANR-16-CE20-0009)에 의해 지원되었습니다. 저자는 DiCoExpress의 컨테이너 건설에 대해 F. Desprez에게 감사드립니다. KB 작업은 미래를 위한 투자 ANR-10-BTBR-01-01 Amaizing 프로그램에 의해 지원됩니다. GQE 및 IPS2 실험실은 Saclay Plant Sciences-SPS (ANR-17-EUR-0007)의 지원을받습니다.

1. 디코익스프레스
<ol><li>R 스튜디오 세션을 열고 디렉터리를 Template_scripts로 설정합니다.</li>
	<li>R 스튜디오에서 DiCoExpress_Tutorial.R 스크립트를 엽니다.</li>
	<li>다음 명령을 사용하여 R 세션에서 DiCoExpress 함수를 로드합니다. > 출처 ( ".. /출처/Load_Functions.R") > Load_Functions() > Data_Directory = ".. /데이터" > Results_Directory = ".. /결과/"</li>
	<li>다음 명령을 사용하여 R 세션에서 데이터 파일을 로드합니다. > Project_Name = "자습서" > 필터 = NULL > Sep="\t" > Data_Files = Load_Data_Files(Data_Directory, Project_Name, 필터, 9월)</li>
	<li>개체를 여러 개체Data_Files 분할하여 쉽게 조작할 수 있습니다. > Project_Name = Data_Files$Project_Name > 대상 = Data_Files$대상 > Raw_Counts = Data_Files$Raw_Counts > 주석 = Data_Files$주석 > Reference_Enrichment = Data_Files$Reference_Enrichment</li>
	<li>"NbConditions", "NbReplicates"또는 "filterByExpr"중에서 전략을 선택하고 저발현 유전자를 필터링하는 역치를 선택하십시오. 여기서 우리는 선택합니다. > Filter_Strategy = "NbReplicates" > CPM_Cutoff = 1</li>
	<li>명령으로 그룹 색상 지정 > Color_Group = 널 참고: NULL로 설정되면 R은 자동으로 색상을 생물학적 조건에 특성화합니다. 그렇지 않으면 생물학적 그룹당 색상을 나타내는 벡터를 입력합니다.</li>
	<li>edgeR의 calcNormFactors 함수에 의해 허용되는 정규화 방법 중에서 정규화 방법을 선택하십시오. 예를 들어 > Normalization_Method = "TMM"</li>
	<li>다음 기능을 실행하여 품질 관리를 수행합니다. > Quality_Control(Data_Directory, Results_Directory, Project_Name, 대상, Raw_Counts, Filter_Strategy, Color_Group, CPM_Cutoff, Normalization_Method)</li>
	<li>상태 복제 = 데이터가 복제 요인에 따라 쌍을 이루면 TRUE이고, 그렇지 않으면 FALSE입니다.</li>
	<li>할당 상호 작용 = TRUE는 두 생물학적 요인 간의 상호 작용을 고려하며, 그렇지 않으면 FALSE입니다.</li>
	<li>다음 명령을 사용하여 통계 모델을 지정합니다. > 모델 = GLM_Contrasts(Results_Directory, Project_Name, 대상, 복제, 상호 작용) > GLM_Model = 모델$GLM_Model > 대비 = 모델$대비</li>
	<li>거짓 발견 속도의 임계값을 정의하십시오(여기서는 0.05). > Alpha_DiffAnalysis =0.05</li>
	<li>다음 명령을 사용하여 차등 분석 수행 > Index_Contrast=1:nrow(대비) > NbGenes_Profiles = 20 > NbGenes_Clustering = 50 > DiffAnalysis.edgeR (Data_Directory, Results_Directory, Project_Name, 대상, Raw_Counts, GLM_Model, Index_Contrast, 대비, Filter_Strategy, Alpha_DiffAnalysis, NbGenes_Profiles, NbGenes_Clustering, CPM_Cutoff, Normalization_Method)</li>
	<li>농축 분석을위한 임계 값 수정, 여기서 0.01 > Alpha_Enrichment = 0.01</li>
	<li>차등적으로 발현된 유전자(DEG) 리스트의 농축 분석 수행 > 제목 = NULL > 농축 (Results_Directory, Project_Name, 제목, Reference_Enrichment, Alpha_Enrichment)</li>
	<li>비교할 DEG 목록을 선택합니다. 예를 들어, > 그룹 = 대비$대비[24:28]</li>
	<li>목록 비교를 위한 이름을 제공합니다. 이 이름은 출력 파일이 저장될 디렉토리에 사용됩니다. > 제목 = "Interaction_with_Genotypes_1_and_2"</li>
	<li>DEG 목록에서 수행할 작업을 매개 변수 작업을 유니온 또는 교차점으로 설정하여 지정합니다. 우리는 선택한다 > 작업 = "연합"</li>
	<li>DEG 목록 비교 > Venn_IntersectUnion(Data_Directory, Results_Directory, Project_Name, 제목, 그룹, 작업)</li>
	<li>함수로 공동 발현 분석 수행 > Coexpression_coseq(Data_Directory, Results_Directory, Project_Name, 제목, 대상, Raw_Counts, Color_Group)</li>
	<li>공동 발현 클러스터의 농축 분석 수행 > 농축 (Results_Directory, Project_Name, 제목, Reference_Enrichment, Alpha_Enrichment)</li>
	<li>분석을 재현하는 데 필요한 모든 정보가 포함된 두 개의 로그 파일을 생성합니다. > Save_Parameters( ) 참고: 이 프로토콜에 사용된 명령줄은 그림 2에 나와 있습니다. 다른 데이터 세트를 분석하기 위해 수정해야 하는 줄이 강조 표시됩니다.</li>
</ol>

<ol><li>Wang, Z., Gerstein, M., Snyder, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((RNA-Seq%3A+a+revolutionary+tool+for+transcriptomics%5BTitle%5D)+AND+%22Nature+reviews.+Genetics%22%5BJournal%5D)">RNA-Seq: a revolutionary tool for transcriptomics.</a> Nature reviews. Genetics. 10 (1), 57-63 (2009).</li>
<li>Yang, I. S., Kim, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Analysis+of+Whole+Transcriptome+Sequencing+Data%3A+Workflow+and+Software%5BTitle%5D)+AND+%22Genomics+%26+Informatics%22%5BJournal%5D)">Analysis of Whole Transcriptome Sequencing Data: Workflow and Software.</a> Genomics & Informatics. 13 (4), 119-125 (2015).</li>
<li>R Core Team. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((R%3A+A+language+and+environment+for+statistical+computing%5BTitle%5D)+AND+%22R+Foundation+for+Statistical+Computing%22%5BJournal%5D)">R: A language and environment for statistical computing.</a> R Foundation for Statistical Computing. , Vienna, Austria. https://www.R-project.org/ (2020).</li>
<li>Huber, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Orchestrating+high-throughput+genomic+analysis+with+Bioconductor%5BTitle%5D)+AND+%22Nature+Methods%22%5BJournal%5D)">Orchestrating high-throughput genomic analysis with Bioconductor.</a> Nature Methods. 12 (2), 115-121 (2015).</li>
<li>Smith, D. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+battle+for+user-friendly+bioinformatics%5BTitle%5D)+AND+%22Frontiers+in+Genetics%22%5BJournal%5D)">The battle for user-friendly bioinformatics.</a> Frontiers in Genetics. 4, 187(2013).</li>
<li>Pavelin, K., Cham, J. A., de Matos, P., Brooksbank, C., Cameron, G., Steinbeck, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bioinformatics+Meets+User-Centred+Design%3A+A+Perspective%5BTitle%5D)+AND+%22PLoS+Computational+Biology%22%5BJournal%5D)">Bioinformatics Meets User-Centred Design: A Perspective.</a> PLoS Computational Biology. 8 (7), 1002554(2012).</li>
<li>Shiny: web application framework. , Available from: 
 <a target="_blank" href="https://rdrr.io/cran/shiny/">https://rdrr.io/cran/shiny/</a> (2021).</li>
<li>RStudio Team. RStudio: Integrated Development for R. RStudio, PBC. , Boston, MA. at (n.d (2020).</li>
<li>Lambert, I., Roux, C. P. -L., Colella, S., Martin-Magniette, M. -L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DiCoExpress%3A+a+tool+to+process+multifactorial+RNAseq+experiments+from+quality+controls+to+co-expression+analysis+through+differential+analysis+based+on+contrasts+inside+GLM+models%5BTitle%5D)+AND+%22Plant+methods%22%5BJournal%5D)">DiCoExpress: a tool to process multifactorial RNAseq experiments from quality controls to co-expression analysis through differential analysis based on contrasts inside GLM models.</a> Plant methods. 16 (1), 68(2020).</li>
<li>Dillies, M. -A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comprehensive+evaluation+of+normalization+methods+for+Illumina+high-throughput+RNA+sequencing+data+analysis%5BTitle%5D)+AND+%22Briefings+in+bioinformatics%22%5BJournal%5D)">A comprehensive evaluation of normalization methods for Illumina high-throughput RNA sequencing data analysis.</a> Briefings in bioinformatics. 14 (6), 671-683 (2012).</li>
<li>Rigaill, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Synthetic+data+sets+for+the+identification+of+key+ingredients+for+RNA-seq+differential+analysis%5BTitle%5D)+AND+%22Briefings+in+Bioinformatics%22%5BJournal%5D)">Synthetic data sets for the identification of key ingredients for RNA-seq differential analysis.</a> Briefings in Bioinformatics. 19 (1), (2016).</li>
<li>Rau, A., Maugis-Rabusseau, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Transformation+and+model+choice+for+RNA-seq+co-expression+analysis%5BTitle%5D)+AND+%22Briefings+in+Bioinformatics%22%5BJournal%5D)">Transformation and model choice for RNA-seq co-expression analysis.</a> Briefings in Bioinformatics. 19 (3), (2017).</li>
<li>Robinson, M. D., McCarthy, D. J., Smyth, G. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((edgeR%3A+a+Bioconductor+package+for+differential+expression+analysis+of+digital+gene+expression+data%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">edgeR: a Bioconductor package for differential expression analysis of digital gene expression data.</a> Bioinformatics. 26 (1), 139-140 (2009).</li>
<li>Wilkinson, M. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+FAIR+Guiding+Principles+for+scientific+data+management+and+stewardship%5BTitle%5D)+AND+%22Scientific+Data%22%5BJournal%5D)">The FAIR Guiding Principles for scientific data management and stewardship.</a> Scientific Data. 3 (1), 160018(2016).</li>
<li>Stark, R., Grzelak, M., Hadfield, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((RNA+sequencing%3A+the+teenage+years%5BTitle%5D)+AND+%22Nature+Reviews+Genetics%22%5BJournal%5D)">RNA sequencing: the teenage years.</a> Nature Reviews Genetics. 20 (11), 631-656 (2019).</li>
</ol>

저자는 공개 할 것이 없습니다.

RNA-Seq 는 생물학적 연구에서 유비쿼터스 방법이되기 때문에 다재다능하고 사용자 친화적 인 분석 도구를 개발할 필요성이 끊임없이 있습니다. 대부분의 분석 워크플로우들 내에서 중요한 단계는 종종 생물학적 조건 및/또는 치료법들 사이에서 차별적으로 발현되는 유전자들을 신뢰하며 확인하는 것이다(15). 신뢰할 수 있는 결과를 얻으려면 적절한 통계 모델링이 필요하며, 이는 DiCoExpress 개발의 동기가 되었습니다.
DiCoExpress는 생물학자들이 DEG를 찾을 때 중립적 비교 연구의 가능성을 최대한 활용할 수 있도록 돕는 것을 목표로 R에 구현된 스크립트 기반 도구입니다. DiCoExpress는 데이터 구조와 품질을 평가할 수 있는 기회를 제공하는 표준화된 파이프라인을 제공하여 최상의 모델링 접근 방식을 선택할 수 있도록 합니다. 통계 또는 R 프로그래밍에 대한 특별한 지식이 없으면 초보자는 일반화 된 선형 모델 내부의 대비를 기반...

차세대 RNA 시퀀싱 (RNA-Seq) 기술은 이제 전사체 분석1의 황금 표준입니다. 이 기술의 초창기부터 생물 정보학자와 생물 통계학자의 공동 노력으로 매핑에서 전사체 정량화에 이르기까지 전사체 분석의 모든 필수 단계를 다루는 수많은 방법이 개발되었습니다2. 오늘날 생물학자가 사용할 수 있는 대부분의 도구는 통계 컴퓨팅 및 그래프3을 위한 R 소프트웨어 환경 내에서 개발되었으며, 생물학적 데이터 분석을 위한 많은 패키지는 Bioconductor 저장소(4)에서 사용할 수 있습니다. 이러한 패키지는 분석을 완벽하게 제어하고 사용자 지정할 수 있지만 명령줄 인터페이스를 광범위하게 사용하는 비용이 듭니다. 많은 생물학자들이 "포인트 앤 클릭" 접근법5에 더 익숙하기 때문에, RNA-Seq 분석의 민주화는 보다 사용자 친화적인 인터페이스 또는 프로토콜6의 개발을 필요로 한다. 예를 들어, Shiny7을 사용하여 R 패키지의 웹 인터페이스를 구축 할 수 있으며 R-studio8 인터페이스로 명령 줄 데이터 분석을보다 직관적으로 수행 할 수 있습니다. 전용 단계별 자습서의 개발은 또한 새로운 사용자를 도울 수 있습니다. 특히 비디오 자습서는 고전적인 텍스트 하나를 보완하여 모든 절차 단계를 더 깊이 이해할 수 있습니다.
우리는 최근 중립 비교 연구10,11,12를 기반으로 가장 좋은 것으로 간주되는 방법을 사용하여 R에서 다인자 RNA-Seq 실험을 분석하는 도구 인 DiCoExpress9를 개발했습니다. 카운트 테이블로부터 시작하여, DiCoExpress는 일반화된 선형 모델(GLM)을 이용한 차등 유전자 발현 분석(edgeR 패키지13) 및 가우시안 혼합물 모델(coseq package12)을 이용한 공동발현 클러스터의 생성에 뒤따르는 데이터 품질 관리 단계를 제안한다. DiCoExpress는 최대 2개의 생물학적 요인(즉, 유전자형 및 치료)과 하나의 기술적 요인(즉, 복제)까지 완전하고 불균형한 설계를 처리합니다. DiCoExpress의 독창성은 데이터, 스크립트 및 결과를 저장 및 구성하는 디렉토리 아키텍처와 사용자가 동일한 통계 모델 내에서 수많은 질문을 조사 할 수 있도록 대비 작성을 자동화하는 데 있습니다. 또한 통계 결과를 보여주는 그래픽 출력을 제공하기 위한 노력도 이루어졌습니다.
DiCoExpress 작업 영역은 https://forgemia.inra.fr/GNet/dicoexpress 에서 사용할 수 있습니다. 여기에는 네 개의 디렉토리, 두 개의 pdf 및 두 개의 텍스트 파일이 포함되어 있습니다. Data/ 디렉토리에는 입력 데이터 세트가 포함되어 있습니다. 이 프로토콜의 경우 "자습서" 데이터 세트를 사용합니다. Sources/ 디렉토리에는 분석을 수행하는 데 필요한 일곱 개의 R 함수가 포함되어 있으며 사용자가 수정해서는 안 됩니다. 분석은 Template_scripts/ 디렉토리에 저장된 스크립트를 사용하여 실행됩니다. 이 프로토콜에 사용되는 것을 DiCoExpress_Tutorial_JoVE.R이라고하며 모든 전사체 프로젝트에 쉽게 적용 할 수 있습니다. 모든 결과는 Results/ 디렉토리에 기록되고 프로젝트에 따라 명명된 서브디렉토리에 저장됩니다. README.md 파일에는 유용한 설치 정보가 포함되어 있으며 메서드 및 사용에 대한 특정 세부 정보는 DiCoExpress_Reference_Manual.pdf 파일에서 찾을 수 있습니다.
이 비디오 자습서는 명령 줄 기반 도구를 사용하여 생물 학자들이 느끼는 꺼림을 극복하기위한 목적으로 DiCoExpress의 다양한 기능을 통해 사용자를 안내합니다. 우리는 치료 유무에 관계없이 네 가지 유전자형의 세 가지 생물학적 반복실험에서 유전자 발현을 설명하는 인공 RNA-Seq 데이터 세트의 분석을 여기에 제시합니다. 이제 그림 1에 나와 있는 DiCoExpress 워크플로의 여러 단계를 살펴보겠습니다. 프로토콜 섹션에 설명된 스크립트와 입력 파일은 사이트에서 사용할 수 있습니다. https://forgemia.inra.fr/GNet/dicoexpress
데이터 파일 준비 Data/ 디렉토리에 저장된 네 개의 csv 파일은 프로젝트 이름에 따라 이름이 지정되어야 합니다. 따라서 이 예제에서는 모든 이름이 "자습서"로 시작하고 프로토콜의 4단계에서 Project_Name = "자습서"로 설정합니다. csv 파일에 사용되는 구분 기호는 4단계의 Sep 변수에 표시되어야 합니다. "자습서" 데이터 집합에서 구분 기호는 집계입니다. 고급 사용자의 경우 Filter 변수를 통해 명령 목록과 새 Project_Name을 제공하여 전체 데이터 세트를 하위 집합으로 줄일 수 있습니다. 이 옵션은 입력 파일의 중복 복사본을 피하고 FAIR 원칙(14)을 검증한다.
네 개의 csv 파일 중에서 COUNTS 및 TARGET 파일만 필수입니다. 그들은 모든 유전자 (여기 Tutorial_COUNTS.csv)와 실험 설계 설명 (여기 Tutorial_TARGET.csv)에 대한 원시 카운트를 포함합니다. TARGET.csv 파일은 모든 샘플(행당 하나의 샘플)을 각 생물학적 또는 기술적 요소(열)에 대한 양식으로 설명합니다. 양식에 대해 선택한 이름은 숫자가 아닌 문자로 시작하는 것이 좋습니다. 마지막 열의 이름("복제")은 변경할 수 없습니다. 마지막으로 샘플 이름(첫 번째 열)은 COUNTS.csv 파일 제목의 이름과 일치해야 합니다(이 예에서는 Genotype1_control_rep1). 모든 행에 하나의 .csv과 하나의 주석 용어가 포함된 보강Gene_ID 파일은 사용자가 보강 분석을 실행하려는 경우에만 필요합니다. 한 유전자에 여러 개의 주석이 있으면 다른 줄에 써야합니다. 주석.csv 파일은 선택 사항이며 출력 파일의 모든 유전자에 대한 간단한 설명을 추가하는 데 사용됩니다. 주석 파일을 얻는 가장 좋은 방법은 전용 데이터베이스 (예 : Thalemine : Arabidopsis의 https://bar.utoronto.ca/thalemine/begin.do)에서 정보를 검색하는 것입니다.
디코익스프레스 설치 DiCoExpress에는 특정 R 패키지가 필요합니다. 명령줄 소스(".. R 콘솔의 /Sources/Install_Packages.R")을 사용하여 필요한 패키지 설치 상태를 확인합니다. Linux를 사용하는 사용자의 경우 또 다른 해결책은 DiCoExpress 전용 컨테이너를 설치하고 https://forgemia.inra.fr/GNet/dicoexpress/container_registry 에서 사용할 수 있는 컨테이너를 설치하는 것입니다. 정의에 따라 이 컨테이너에는 라이브러리 및 기타 종속성과 같이 필요한 모든 부분이 포함된 DiCoExpress가 포함되어 있습니다.

dicoexpress를 이용한 다인자 rna-seq 실험 분석

Analyzing Multifactorial RNA-Seq Experiments with DiCoExpress

NGS 데이터 분석에서 통계 모델링을 적절하게 사용하려면 고급 수준의 전문 지식이 필요합니다. 최근 RNA-Seq 데이터의 차등 분석을 위해 일반화된 선형 모델을 사용하는 것에 대한 공감대가 높아지고 있으며, 공동 발현 분석을 수행하기 위한 혼합물 모델의 이점이 있다. 이러한 모델링 접근 방식을 사용할 수 있는 관리형 설정을 제공하기 위해 RNA-Seq 분석을 수행하기 위해 표준화된 R 파이프라인을 제공하는 DiCoExpress를 개발했습니다. 통계 또는 R 프로그래밍에 대한 특별한 지식이 없으면 초보자는 일반화 된 선형 모델 내부의 대비를 기반으로 한 차등 분석을 통해 품질 관리에서 공동 표현에 이르기까지 완전한 RNA-Seq 분석을 수행 할 수 있습니다. 농축 분석은 차등적으로 발현된 유전자의 목록과 공동-발현된 유전자 클러스터 둘 다에서 제안된다. 이 비디오 튜토리얼은 사용자가 DiCoExpress를 최대한 활용하고 RNA-Seq 실험의 생물학적 해석에 힘을 실어주는 잠재력을 최대한 활용할 수 있도록 도와주는 단계별 프로토콜로 고안되었습니다.

모든 DiCoExpress 출력은 자습서 / 디렉토리에 저장되며 결과 / 디렉토리 내에 배치됩니다. 여기서는 분석의 전반적인 품질을 평가하기 위한 몇 가지 지침을 제공합니다.
품질 관리 Quality_Control/디렉토리에 위치한 품질 관리 출력은 RNA-Seq 분석 결과가 신뢰할 수 있는지 확인하는 데 필수적입니다. Data_Quality_Control.pdf 파일에는 데이터의 잠재적 문제를 식별하는 데 사용할 수 있는 원시 및 정규화된 데이터로 얻은 여러 플롯이 포함되어 있습니다. 샘플당 정규화된 총 카운트는 내부 및 상호 조건을 모두 비교할 때 유사해야 합니다. 더욱이, 정규화된 유전자 발현 카운트는 인트라 및 인터 조건 둘 다에서 유사한 중앙값 및 분산을 나타낼 것으로 예상된다(도 3A). 그렇지 않으면 조건 간의 유사하지 않은 분산의 징후가 될 수 있으며 모델 피팅에 문제가 될 수...

DiCoExpress는 품질 관리에서 공동 발현에 이르기까지 RNA-Seq 분석을 수행하기 위해 R로 구현 된 스크립트 기반 도구입니다. DiCoExpress는 최대 2개의 생물학적 요인까지 완전하고 불균형한 설계를 처리합니다. 이 비디오 자습서는 DiCoExpress의 다양한 기능을 통해 사용자를 안내합니다.

DiCoExpress를 이용한 다인자 RNA-Seq 실험 분석

The proper use of statistical modeling in NGS data analysis requires an advanced level of expertise. There has recently been a growing consensus on using ...

DiCoExpress는 품질 관리에서 공동 발현에 이르기까지 완벽한 분석적 분석을 제공합니다. 일반화 선형 모델 내부의 대비를 기반으로 미분 분석을 수행합니다. 더욱이, 차등적으로 발현된 유전자 및 공동-발현된 유전자 클러스터의 리스트에 대한 농축 분석을 수행할 수도 있다.DiCoExpress의 가장 큰 장점은 통계나 항공 프로그래밍에 대한 특별한 지식 없이도 저와 같은 사람들이 사용할 수 있다는 것입니다. 전문가가 아닌 사용자가 차등 유전자 발현 분석에 필요한 조영제를 작성하는 데 진정으로 도움이 됩니다. 또한 게시할 준비가 된 결과를 보여주는 그래픽 출력을 제공합니다.DiCoExpress는 플랜 전용 도구가 아닙니다. 실험 설계가 최대 두 가지 생물학적 요인으로 완성되는 한 모든 유기체에 사용할 수 있습니다. 또한 조건 간에 반복실험 횟수가 같지 않은 멤브레인의 설계도 가능합니다.초보자는 R에 대한 예비 지식이 있어야 합니다.함수를 사용하고 필수 및 선택적 인수를 식별하는 방법을 알아야 합니다. 그런 다음 중요한 단계는 및 실험 설계가 포함 된 파일을 올바르게 제공하는 것입니다. 시작하려면 R 스튜디오 세션을 엽니다.디렉터리를 템플릿 스크립트로 설정하고 DiCoExpress 자습서 점 R 스크립트를 엽니다. R 세션에서 DiCoExpress 함수를 로드합니다. 그런 다음 R 세션에서 데이터 파일을로드하고 파일을 쉽게 조작 할 수 있도록 개체 데이터 파일을 여러 개체로 분할합니다.다음으로, NB 조건 또는 NB 복제 중에서 전략을 선택하고 낮은 발현 유전자를 필터링하기 위한 임계값을 선택합니다. 그룹 색상을 지정하고 정규화 방법을 선택합니다. 그런 다음 품질 관리를 수행하십시오.반복 요인 상태에 따라 데이터가 쌍을 이루면 true로 반복되고, 그렇지 않으면 false로 반복됩니다. 두 생물학적 요인 간의 상호 작용을 고려하기 위해 상호 작용을 true로 할당합니다. 그렇지 않으면 false를 할당한 다음 통계 모델을 지정하고 거짓 발견 비율의 임계값을 정의합니다.감별 분석을 수행한 후 농축 분석을 위한 역치를 고정하고 차등적으로 발현된 유전자 목록의 농축 분석을 수행한다. 비교할 DEG 목록을 선택합니다. 목록 비교를 위한 이름을 제공하고 출력 파일이 저장될 디렉터리에 동일한 이름을 사용합니다.DEG 목록에서 수행할 작업을 지정하기 위해 매개 변수 작업을 유니온 또는 교차로 설정하고 목록을 비교합니다. 공동발현 분석을 수행한 후 공동발현 클러스터의 농축 분석을 수행한다. 마지막으로 분석을 재현하는 데 필요한 모든 정보가 포함 된 두 개의 로그 파일을 생성합니다.표본당 정규화된 총 카운트는 내부 조건과 사후 조건을 비교할 때 유사해야 합니다. 정규화된 유전자 발현 계수는 내부 및 내부 조건 모두에서 유사한 중앙값 및 분산을 나타냈다. 잠재적인 기본 데이터 구조를 식별하기 위해 PCA 플롯이 생성되었습니다.처리 사이에 명확한 구분이 관찰되었고 클러스터링이 없었으며, 이는 양질의 데이터 세트를 나타냅니다. 원시 p값 히스토그램은 모델링의 품질을 평가하기 위해 플로팅되었습니다. 원시 pvalue의 분포는 균일했으며 예상대로 분포의 왼쪽 끝에 피크가 있었습니다.오른쪽 끝에 피크가 없으면 통계 모델링이 올바른 것으로 보입니다. 모든 유전자형 및 조건에서 유전자 CIG62301.1의 발현 프로필을 플롯팅하였다. 상하 차등적으로 발현된 유전자의 수뿐만 아니라, 시험된 모든 조영제에 대해서도 플롯하였다.공동 발현 분석은 5 개의 DEG 목록의 합집합에 대해 수행되었습니다. 대조적으로, 다른 유전자형에 대한 유전자형 1 또는 2 사이의 치료 반응 변화를 찾고 있습니다. 확인된 모든 클러스터에 대해 공동-발현된 유전자를 개별 텍스트 파일에 인쇄하고 유전자의 발현 프로필을 플롯하였다.DiCoExpress를 통해 생물학자들은 통계적으로 건전한 유전자 발현 분석을 얻을 수 있습니다. 다음 단계는 이러한 결과에서 생물학적으로 의미가 있습니다.

analyzing-multifactorial-rna-seq-experiments-with-dicoexpress

Research

연구

JoVE Journal

Engineering

공학

RNA 시퀀싱과 생물 정보학 분석은 마우스 EMLcells의 린-CD34 + 린-CD34- 부분 집단에서 유의 및 발현 된 전사 인자를 식별하는 데 사용되었다. 이들 전사 인자는 자기 갱신 린-CD34 +를 부분적으로 분화 된 린 - CD34- 세포 사이의 스위치를 결정하는데 중요한 역할을 할 수도있다.

RNA 시퀀싱 분석하여 EML 조혈 전구체 세포의자가 재생 (self-renewal)과 분화를 조절하는 중요한 요소의 식별

이 프로토콜은 초보 생물정보학자를 위한 comparative de novo transcriptome assembly and annotation workflow를 간략하게 설명합니다. 워크플로우는 CyVerse를 통해 완전히 무료로 사용할 수 있으며 데이터 스토어로 연결됩니다. 명령줄 및 그래픽 사용자 인터페이스가 사용되지만 필요한 모든 코드를 복사하여 붙여넣을 수 있습니다.

CyVerse 리소스 활용<em&gt; 드 노보</em&gt; 비포장 (비 모델) 생물의 비교 전이학

이 프로토콜 칩 seq, 4sU-seq, seq-총 RNA, 리보솜 세포 선 및 1 차 셀에 대 한 프로 파일링의 조합 사용을 설명 합니다. 전사-요소 바인딩, 드 노 보 전사, RNA 가공, 회전율 및 시간이 지남에, 번역 활성화 및 급변 셀에서 이벤트의 전체 과정을 표시 하 고 변경 내용을 추적을 수 있습니다.

바인딩, 전사, 번역, 및 회전율 세포 활성화 중 글로벌 이벤트를 표시 하는 녹음 방송 요인의 실시간 분석

여기에 제시된 RNA-seq 분석에 의한 분자 수준에서의 특성화에 의해 접촉 억제에 의한 인간 1차 각질 세포의 체외 분화를 위한 단계별 절차이다.

RNA-Seq 분석에 의한 인간 1차 각질 세포의 생체외 분화 의 특성화

이 방법은 포르말린 고정 파라핀 임베디드(FFPE) RNA 샘플로부터 얻을 수 있는 서열 데이터의 질 및 양을 개선하는 단계를 설명한다. 우리는 FFPE-RNA 샘플의 품질을 보다 정확하게 평가하고, 시퀀싱 라이브러리를 준비하고, FFPE-RNA 샘플의 데이터를 분석하는 방법론을 설명합니다.

저하된 FFPE-RNA 시료의 시퀀싱 및 분석을 위한 최적화

본질적으로 무질서한 도메인은 온코겐융합 전사 인자 기능에 중요합니다. 이러한 단백질을 치료적으로 표적으로 하기 위해서는 이러한 도메인에 의해 사용되는 규제 메커니즘에 대한 보다 상세한 이해가 필요합니다. 여기서는 전사학을 사용하여 유잉 육종에서 본질적으로 무질서한 EWS 도메인의 중요한 구조적 특징을 매핑합니다.

전사 분석을 사용하여 무질서한 온코겐 전사 요인의 구조 기능 관계 매핑

RNA 시퀀싱을 위한 차동 발현 분석 방법의 상세한 프로토콜이 제공되었다: 림마, EdgeR, DESeq2.

RNA 시퀀싱을 위한 3개의 차동 발현 분석 방법: 림마, EdgeR, DESeq2

대체 스플라이싱(AS) 및 대체 폴리아데닐화(APA)는 전사체 이소형과 그 생성물의 다양성을 확장합니다. 여기에서는 실험 조건에 따라 다양한 AS 및 APA를 검출하고 시각화하기 위해 벌크 RNA-seq 및 3' 말단 시퀀싱 분석을 분석하는 생물정보학 프로토콜을 설명합니다.

RNA-seq 데이터에서 대체 스플라이싱 및 폴리아데닐화 식별

현재 작업은 벌크 RNA 시퀀싱 실험에서 사례와 대조군 샘플을 비교하여 생성된 세포 내 신호 전달 경로의 프로필을 기반으로 치료 표적을 예측하고 우선 순위를 지정하는 R 스크립트인 Pathway2Targets 알고리즘을 실행하기 위한 프로토콜을 설명합니다.

인간 차등적으로 발현된 유전자 목록을 사용하여 다운스트림 경로 농축 분석 및 표적 우선 순위 지정 수행

이 프로토콜은 생물정보학 경험이 제한된 습식 실험실 생물학자를 위한 RNA-seq 실험에 대한 초기 품질 관리를 허용합니다.

Rup(RNA-seq 사용성 평가 파이프라인) - 진핵생물의 대량 RNA-seq 실험을 위한 품질 관리

배우세요 DiCoExpress를 이용한 RNA-Seq 데이터 분석 방법을. 품질 관리부터 공동 발현 분석까지 통계학적 지식이 부족한 연구자도 쉽게 사용할 수 있으며, 발표용 그래픽 출력물을 제공합니다.

DiCoExpress를 이용한 다인자 RNA-Seq 실험 분석

더 많은 동영상 탐색