Name: Trzy metody analizy różnicowej ekspresji do sekwencjonowania RNA: limma, EdgeR, DESeq2 (Wideo) | JoVE Journal
Uploaded: 2021-09-18T14:00:00.000+00:00
Duration: 10 min 10 s
Description: Poznaj trzy metody analizy różnicowej ekspresji RNA: limma, EdgeR i DESeq2. Naucz się przetwarzania danych sekwencjonowania nowotworu dróg żółciowych i identyfikacji genów różnicowo ekspresowanych przy użyciu RStudio.

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

Ta praca była wspierana przez Narodową Fundację Nauk Przyrodniczych Chin (Grant nr 81860276) oraz Kluczowe Projekty Funduszu Specjalnego Narodowego Kluczowego Programu Badawczo-Rozwojowego (Grant nr 2018YFC1003200).

UWAGA: Otwórz program R-studio i załaduj plik R "DEGs.R", plik można pobrać z Dodatkowych plików/Skryptów.
1. Pobieranie i wstępne przetwarzanie danych
<ol>
	<li>Pobierz dane dotyczące sekwencjonowania wysokoprzepustowego (HTSeq) raka dróg żółciowych (CHOL) z Atlasu genomu raka raka (TCGA). Ten krok można łatwo wykonać za pomocą następującego kodu języka R.
	<ol>
		<li>Kliknij pozycję Uruchom, aby zainstalować pakiety języka R.</li>
		<li>Kliknij pozycję Uruchom, aby załadować pakiety języka R. 
		if(!requireNamespace("BiocManager", cicho=PRAWDA)) 
		+ install.packages("BiocManager") 
		BiocManager::install(c("TCGAbiolinks", "PodsumowanyEksperyment"))</li>
		<li>Ustaw katalog roboczy. 
		biblioteka (TCGAbiolinks) 
		biblioteka(PodsumowanyEksperyment) 
		setwd("C:/Użytkownicy/LIUSHIYI/Pulpit")</li>
		<li>Wybierz typ nowotworu. 
		rak < - "TCGA-CHOL"</li>
		<li>Uruchom kod języka R z pliku "GDCquery.R", aby pobrać dane. Plik "GDCquery.R" można pobrać z Supplementary files/Scripts: 
		source("Pliki uzupełniające/Skrypty/GDCquery.R") 
		Głowa (CNT) 
		##TCGA-3X-AAVA-01A-11R-A41I-07 
		##ENSG00000000003 4262 
		##ENSG00000000005 1 
		##ENSG00000000419 1254 
		##ENSG00000000457 699 
		##ENSG00000000460 239 
		##ENSG00000000938 334 
		UWAGA: Po wykonaniu dane zliczania CHOLHTSeq zostaną pobrane i nazwane "cnt", gdzie wiersze reprezentują identyfikatory genów zespołu, a kolumny reprezentują identyfikatory próbek. Proszę zwrócić uwagę na numery na pozycjach 14-15 w identyfikatorach próbek; Liczby od 01 do 09 wskazują na nowotwory, a od 10 do 19 wskazują na normalne tkanki.</li>
	</ol>
	</li>
	<li>Konwertuj identyfikatory genów zespołu na symbole genów.
	<ol>
		<li>Zaimportuj plik adnotacji do języka R zgodnie ze ścieżką przechowywania. Plik adnotacji (gencode.v22.annotation.gtf) można pobrać z Supplementary files. 
		gtf_v22 <- rtracklayer::import('Pliki uzupełniające/gencode.v22.annotation.gtf')</li>
		<li>Uruchom kod języka R z poziomu polecenia "gtf_v22. R", który można pobrać z Dodatkowe pliki/Skrypty: 
		source("Pliki uzupełniające/Skrypty/gtf_v22. R")</li>
		<li>Zastosuj funkcję "ann", aby przekonwertować identyfikatory genów zespołu na symbole genów. 
		cnt=ann(cnt;gtf_v22)</li>
	</ol>
	</li>
	<li>Filtrowanie genów o niskiej ekspresji
	<ol>
		<li>Kliknij przycisk Uruchom, aby zainstalować pakiet języka R "edgeR". 
		BiocManager::install("krawędźR")</li>
		<li>Kliknij przycisk Uruchom, aby załadować pakiet języka R "edgeR". 
		biblioteka(krawędźR)</li>
		<li>Uruchom następujący kod języka R, aby zachować wartości genów z liczbą na milion (CPM) większą niż jeden na co najmniej dwie próbki. 
		zachowaj <- rowSums(cpm(cnt)>1)>=2 
		cnt <- as.matrix(cnt[zachowaj,]) 
		UWAGA: Wartość liczby na milion (CPM) jest używana zamiast liczby odczytów, aby wyeliminować odchylenia spowodowane różnymi głębokościami sekwencjonowania.</li>
	</ol>
	</li>
</ol>
2. Analiza różnicowa wyrażeń za pomocą "limma"
<ol>
	<li>Kliknij przycisk Uruchom, aby zainstalować pakiet języka R "limma". 
	BiocManager::install("limma")</li>
	<li>Kliknij przycisk Uruchom, aby załadować pakiety języka R "limma", "edgeR". 
	biblioteka(limma) 
	biblioteka(krawędźR)</li>
	<li>Uruchom następujący kod języka R, aby utworzyć macierz projektu. 
	group <- substring(colnames(cnt),14,15) # Wyodrębnij informacje o grupie 
	grupa [grupa %w% "01"] <- "Rak" # ustaw '01' jako tkankę nowotworową 
	group [group %in% "11"] <- "Normalna" # ustaw '11' jako normalną tkankę 
	grupa <- czynnik (grupa, poziomy = c("Normalny","Rak"))
	<ol>
		<li>Utwórz macierz projektu. 
		projekt <- model.matrix (~grupa) 
		Nazwy wierszy (projekt) < - nazwy kolumn (CNT)</li>
		<li>Utwórz obiekt DGEList. 
		dge <- DGEList(liczby = cnt, grupa = grupa)</li>
		<li>Normalizacja danych. 
		dge <- calcNormFactors(dge, metoda = "TMM")</li>
		<li>Uruchom następujący kod języka R, aby przeprowadzić analizę wyrażeń różnicowych opartą na metodzie limma-trend. 
		dge 
		##An obiekt klasy "DGEList" 
		##$counts 
		##TCGA-3X-AAVA-01A-11R-A41I-07 
		##TSPAN6 4262 
		##DPM1 1254 
		##SCYL3 699 
		##C1orf112 239 
		##FGR 334</li>
		<li>Oblicz wartość CPM. 
		logdge <- cpm(dge, log=PRAWDA, prior.count=3)</li>
		<li>Kliknij przycisk Uruchom, aby dopasować model liniowy w celu przewidywania danych lub wywnioskowania relacji między zmiennymi. 
		fit <- lmFit (logdge, design)</li>
		<li>Oblicz wartość T, wartość F i logarytm kursów na podstawie Bayesian. 
		fit <- eBayes(dopasowanie, trend=PRAWDA)</li>
		<li>Wyodrębnij tabelę wyników. 
		res_limma<- as.data.frame(topTable(fit,n=Inf)) 
		 
		głowa (res_limma) 
		## logFC AveExpr t P.Value przym. P.Val B 
		##RP11-252E2.2 -4.899493 -2.488589 -20.88052 2.386656e-25 4.931786e-21 47.28823 
		##BX842568.1 -4.347930 -2.595205 -20.14532 1.082759e-24 1.118706e-20 45.83656 
		##CTC-537E7.3 -5.154894 -2.143292 -19.59571 3.452354e-24 2.216114e-20 44.72001 
		##RP11-468N14.3 -6.532259 -2.029714 -19.49409 4.289807e-24 2.216114e-20 44.51056 
		##AP006216.5 -4.507051 -2.670915 -19.25649 7.153356e-24 2.956339e-20 44.01704 
		##RP11-669E14.4 -4.107204 -2.828311 -18.93246 1.448209e-23 4.987633e-20 43.33543 
		#The wynik różnicowej analizy ekspresji jest zapisywany w "res_limma", który obejmuje identyfikator genu, wartość log2 krotnej zmiany (logFC), średni poziom ekspresji log2 genu w eksperymencie (AveExpr), zmodyfikowaną statystykę t (t), wartość relavent p (P.Value), skorygowaną wartość p współczynnika fałszywych odkryć (FDR) (adj. P.Val) i logarytm genów o zróżnicowanej ekspresji (B) 
		UWAGA: Funkcja "calcNormFactors()" w "edgeR" została użyta do normalizacji danych w celu wyeliminowania wpływu spowodowanego przygotowaniem próbki lub budową i sekwencjonowaniem biblioteki. Przy konstruowaniu matrycy projektowej konieczne jest dopasowanie projektu eksperymentalnego (np. typu tkanki: tkanki prawidłowej lub nowotworowej) do identyfikatorów próbek matrycy. limma-trend jest odpowiedni dla danych, których głębokość sekwencjonowania jest taka sama, podczas gdy limma-voom jest odpowiednia: (i) gdy rozmiar biblioteki próbek jest różny; (ii) dane nieznormalizowane przez TMM; (iii) w danych jest dużo "szumu". Dodatni logFC oznacza, że gen jest regulowany w górę w eksperymencie, podczas gdy liczba ujemna oznacza, że gen jest regulowany w dół.</li>
		<li>Zidentyfikuj DEGs. 
		res_limma$sig <- as.factor( 
		ifelse(res_limma$adj. P.Val < 0.05 & abs(res_limma$logFC) > 2, 
		ifelse(res_limma$logFC > 2 ,'w górę','w dół'),'nie')) # Wartość adj.p < 0,05 i |log2FC| >= 2 to progi pozwalające zidentyfikować DEGs 
		summary(res_limma$sig) 
		##down nie up 
		##1880 17341 1443</li>
		<li>Wyprowadzaj tabelę wyników do pliku. 
		write.csv(res_limma, plik = 'result_limma.csv')</li>
		<li>Kliknij przycisk Uruchom, aby zainstalować pakiet języka R "ggplot2". 
		install.packages("ggplot2")</li>
		<li>Kliknij przycisk Uruchom, aby załadować pakiet języka R "ggplot2". 
		biblioteka(ggplot2)</li>
		<li>Uruchom kod R z "wulkanu. R", aby utworzyć wykres wulkanu. Plik "wulkan. R" można pobrać z plików uzupełniających. 
		source("Pliki uzupełniające/Skrypty/wulkan. R") 
		wulkan(res_limma,"logFC","przym. P.Val",2,0.05) 
		UWAGA: Geny można mapować do różnych pozycji zgodnie z ich wartościami log2FC i adj-p, DEG regulowane w górę są pokolorowane na czerwono, a DEG regulowane w dół są pokolorowane na zielono.</li>
		<li>Kliknij przycisk Eksportuj, aby zapisać wykres wulkanu. 
		UWAGA: Wykresy wulkanów można generować i pobierać w różnych formatach (np. pdf, tiff, png, jpeg). Geny można mapować do różnych pozycji zgodnie z ich wartościami log2FC i adj p, DEG regulowane w górę (log2FC > 2, adj p < 0,05) są pokolorowane na czerwono, a DEG regulowane w dół (log2FC < -2, adj p < 0,05) są pokolorowane na zielono, DEG nie-DEG są pokolorowane na szaro.</li>
	</ol>
	</li>
</ol>
3. Analiza różnicowa wyrażeń za pomocą "edgeR"
<ol>
	<li>Kliknij przycisk Uruchom, aby załadować pakiet języka R "edgeR". 
	biblioteka(krawędźR)</li>
	<li>Uruchom następujący kod języka R, aby utworzyć macierz projektu. 
	grupa <-podciąg(nazwy(cnt),14,15) 
	grupa [grupa %w% "01"] <- "Rak" 
	group [grupa %in% "11"] <- "Normalny" 
	group=factor(grupa, poziomy = c("Normalny","Rak"))) 
	design <-model.matrix(~group) 
	Nazwy wierszy(projekt) = nazwy kolumn(CNT)</li>
	<li>Kliknij przycisk Uruchom, aby utworzyć obiekt DGEList. 
	dge <- DGEList(liczby=cnt)</li>
	<li>Normalizacja danych. 
	dge <- calcNormFactors(dge, metoda = "TMM")</li>
	<li>Kliknij przycisk Uruchom, aby oszacować rozproszenie wartości ekspresji genów. 
	dge <- estimateDisp(dge, projekt, solidny = T)</li>
	<li>Kliknij przycisk Uruchom, aby dopasować model do zliczania danych. 
	fit <- glmQLFit(dge, projekt)</li>
	<li>Przeprowadź test statystyczny. 
	dopasuj <- glmQLFTest(dopasowanie)</li>
	<li>Wyodrębnij tabelę wyników. Wynik jest zapisywany w "res_edgeR", który zawiera wartość zmiany logarytmu, logarytm CPM, wartość F, p i skorygowaną wartość p FDR. 
	res_edgeR=as.data.frame(topTags(fit, n=Inf)) 
	głowa (res_edgeR) 
	## logFC logCPM F PValue FDR 
	##GCDH -3.299633 5.802700 458.5991 1.441773e-25 2.979280e-21 
	##MSMO1 -3.761400 7.521111 407.0416 1.730539e-24 1.787993e-20R 
	##CL1 -3.829504 5.319641 376.5043 8.652474e-24 5.516791e-20 
	##ADI1 -3.533664 8.211281 372.6671 1.067904e-23 5.516791e-20 
	##KCNN2 -5.583794 3.504017 358.6525 2.342106e-23 9.679455e-20 
	##GLUD1 -3.287447 8.738080 350.0344 3.848408e-23 1.194406e-19 
	#The wynik jest zapisywany w formacie "res_edgeR", który zawiera wartość zmiany logarytmu krotności (logFC), logarytm CPM, wartość F, p i skorygowaną wartość p FDR</li>
	<li>Zidentyfikuj DEGs. 
	res_edgeR$sig = as.factor( 
	ifelse(res_edgeR$FDR < 0.05 & abs(res_edgeR$logFC) > 2, 
	ifelse(res_edgeR$logFC > 2 ,'góra','dół'),'nie')) 
	summary(res_edgeR$sig) 
	##down nie up 
	##1578 15965 3121</li>
	<li>Wyprowadzaj tabelę wyników do pliku. 
	write.csv(res_edgeR, plik = 'res_edgeR.csv')</li>
	<li>Utwórz działkę wulkanu. 
	wulkan(res_edgeR,"logFC","FDR",2,0.05)</li>
	<li>Kliknij przycisk Eksportuj, aby zapisać wykres wulkanu.</li>
</ol>
4. Analiza różnicowa wyrażeń za pomocą "DESeq2"
<ol>
	<li>Kliknij przycisk Uruchom, aby zainstalować pakiety języka R "DESeq2". 
	BiocManager::install("DESeq2")</li>
	<li>Kliknij przycisk Uruchom, aby załadować pakiety języka R "DESeq2". 
	biblioteka(DESeq2)</li>
	<li>Uruchom następujący kod języka R, aby określić współczynnik grupowania. 
	grupa <-podciąg(nazwy(cnt),14,15) 
	grupa [grupa %w% "01"] <- "Rak" 
	group [grupa %in% "11"] <- "Normalny" 
	group=factor(grupa, poziomy = c("Normalny","Rak"))</li>
	<li>Utwórz obiekt DESeqDataSet. 
	dds <-DESeqDataSetFromMatrix (cnt, DataFrame(group), design = ~group) 
	dds 
	##class: DESeqDataSet 
	##dim: 20664 45 
	##metadata(1): wersja 
	##assays(1): liczy 
	##rownames(20664): TSPAN6 DPM1 ... RP11-274B21.13 LINC01144 
	##rowData nazwy(0): 
	##colnames(45): TCGA-3X-AAVA-01A-11R-A41I-07 ... 
	##colData imiona(1): grupa</li>
	<li>Wykonaj analizę. 
	dds <- DESeq(dds)</li>
	<li>Wygeneruj tabelę wyników. 
	res_DESeq2 <- data.frame(wyniki(dds)) 
	 
	głowa (res_DESeq2) 
	## baseMean log2FoldZmień wartość p-statystyki lfcSE padj 
	##TSPAN6 4704.9243 -0.8204515 0.3371667 -2.433370 1.495899e-02 2.760180e-02 
	##DPM1 1205.9087 -0.3692497 0.1202418 -3.070894 2.134191e-03 4.838281e-03 
	##SCYL3 954.9772 0.2652530 0.2476441 1.071106 2.841218e-01 3.629059e-01 
	##C1orf112 277.7756 0.7536911 0.2518929 2.992109 2.770575e-03 6.101584e-03 
	##FGR 345.8789 -0.6423198 0.3712729 -1.730047 8.362180e-02 1.266833e-01 
	##CFH 27982.3546 -3.8761382 0.5473363 -7.081823 1.422708e-12 1.673241e-11 
	UWAGA: Wynik jest zapisywany w "res_DESeq2", który zawiera średnią znormalizowanej liczby odczytów (baseMean), wartość zmiany logarytmu złożenia (log2FoldChange), błąd standardowy zmiany logarytmu zmiany złożenia (lfcSE), statystykę Walda (stat), oryginalną wartość p (pvalue) i poprawioną wartość p (padj)</li>
	<li>Zidentyfikuj DEGs. 
	res_DESeq2$sig = as.factor( 
	ifelse(res_DESeq2$padj < 0.05 & abs(res_DESeq2$log2FoldChange) > 2, 
	ifelse(res_DESeq2$log2FoldZmień > 2 ,'góra','dół'),'nie')) 
	summary(res_DESeq2$sig) 
	##down nie up 
	##1616 16110 2938</li>
	<li>Wyprowadzaj tabelę wyników do pliku. 
	write.csv(res_DESeq2, plik = 'res_DESeq2.csv')</li>
	<li>Utwórz działkę wulkanu. 
	wulkan(res_DESeq2,"log2FoldChange","padj",2,0.05)</li>
	<li>Kliknij przycisk Eksportuj, aby zapisać wykres wulkanu.</li>
</ol>
5. Diagram Venna
<ol>
	<li>Kliknij przycisk Uruchom, aby zainstalować pakiet języka R "VennDiagram". 
	install.packages("Diagram Venn")</li>
	<li>Kliknij przycisk Uruchom, aby załadować pakiet języka R "VennDiagram". 
	biblioteka (VennDiagram)</li>
	<li>Zrób diagram Venna dla regulowanych stopni w górę. 
	grid.newpage() 
	grid.draw(venn.diagram(list(Limma=nazwy wierszy(res_ 
	limma[res_limma$sig=="up",]), 
	edgeR=nazwy wierszy(res_edgeR[res_edgeR$sig=="w górę",]), 
	DESeq2=nazwy wierszy(res_DESeq2[res_DESeq2$sig== 
	"góra",])), 
	NULL,wysokość = 3,szerokość = 3,jednostki = "in", 
	col="",lwd=0.3,fill=c("#FF6666","#FFFF00", 
	"#993366"), 
	alpha=c(0.5, 0.5, 0.5),main = "Stopnie regulowane w górę"))</li>
	<li>Kliknij przycisk Eksportuj, aby zapisać diagram Venna.</li>
	<li>Zrób diagram Venna dla regulowanych w dół DEGs. 
	grid.newpage() 
	grid.draw(venn.diagram(list(Limma=nazwy wierszy(res_ 
	limma[res_limma$sig=="w dół",]), 
	edgeR=nazwy wierszy(res_edgeR[res_edgeR$sig== 
	"w dół",]), 
	DESeq2=nazwy wierszy(res_DESeq2[res_DESeq2$sig=="w dół",])), 
	NULL,wysokość = 3,szerokość = 3,jednostki = "in", 
	col="",lwd=0.3,fill=c("#FF6666","#FFFF00", 
	"#993366"), 
	alpha=c(0,5, 0,5, 0,5),main = "Obniżone stopnie Celsjusza"))</li>
	<li>Kliknij przycisk Eksportuj, aby zapisać diagram Venna.</li>
</ol>

<ol><li>Tambonis, T., Boareto, M., Leite, V. B. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Differential+Expression+Analysis+in+RNA-seq+Data+Using+a+Geometric+Approach%5BTitle%5D)+AND+%22Journal+of+Computational+Biology%22%5BJournal%5D)">Differential Expression Analysis in RNA-seq Data Using a Geometric Approach.</a> Journal of Computational Biology. 25, 1257-1265 (2018).</li>
<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, 57-63 (2009).</li>
<li>Anders, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Count-based+differential+expression+analysis+of+RNA+sequencing+data+using+R+and+Bioconductor%5BTitle%5D)+AND+%22Nature+Protocols%22%5BJournal%5D)">Count-based differential expression analysis of RNA sequencing data using R and Bioconductor.</a> Nature Protocols. 8, 1765-1786 (2013).</li>
<li>McDermaid, A., Monier, B., Zhao, J., Liu, B., Ma, Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Interpretation+of+differential+gene+expression+results+of+RNA-seq+data%3A+review+and+integration%5BTitle%5D)+AND+%22Briefings+in+Bioinformatics%22%5BJournal%5D)">Interpretation of differential gene expression results of RNA-seq data: review and integration.</a> Briefings in Bioinformatics. 20, 2044-2054 (2019).</li>
<li>Costa-Silva, J., Domingues, D., Lopes, F. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((RNA-Seq+differential+expression+analysis%3A+An+extended+review+and+a+software+tool%5BTitle%5D)+AND+%22PloS+One%22%5BJournal%5D)">RNA-Seq differential expression analysis: An extended review and a software tool.</a> PloS One. 12, 0190152(2017).</li>
<li>Law, C. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((RNA-seq+analysis+is+easy+as+1-2-3+with+limma%2C+Glimma+and+edgeR%5BTitle%5D)+AND+%22F1000Research%22%5BJournal%5D)">RNA-seq analysis is easy as 1-2-3 with limma, Glimma and edgeR.</a> F1000Research. 5, (2016).</li>
<li>Varet, H., Brillet-Guéguen, L., Coppée, J. Y., Dillies, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SARTools%3A+A+DESeq2-+and+EdgeR-Based+R+Pipeline+for+Comprehensive+Differential+Analysis+of+RNA-Seq+Data%5BTitle%5D)+AND+%22PloS+One%22%5BJournal%5D)">SARTools: A DESeq2- and EdgeR-Based R Pipeline for Comprehensive Differential Analysis of RNA-Seq Data.</a> PloS One. 11, 0157022(2016).</li>
<li>Ritchie, M. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((limma+powers+differential+expression+analyses+for+RNA-sequencing+and+microarray+studies%5BTitle%5D)+AND+%22Nucleic+Acids+Research%22%5BJournal%5D)">limma powers differential expression analyses for RNA-sequencing and microarray studies.</a> Nucleic Acids Research. 43, 47(2015).</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, Oxford, England. 139-140 (2010).</li>
<li>Love, M. I., Huber, W., Anders, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Moderated+estimation+of+fold+change+and+dispersion+for+RNA-seq+data+with+DESeq2%5BTitle%5D)+AND+%22Genome+Biology%22%5BJournal%5D)">Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2.</a> Genome Biology. 15, 550(2014).</li>
<li>Gentleman, R. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bioconductor%3A+open+software+development+for+computational+biology+and+bioinformatics%5BTitle%5D)+AND+%22Genome+Biology%22%5BJournal%5D)">Bioconductor: open software development for computational biology and bioinformatics.</a> Genome Biology. 5, 80(2004).</li>
<li>Law, C. W., Chen, Y., Shi, W., Smyth, G. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((voom%3A+Precision+weights+unlock+linear+model+analysis+tools+for+RNA-seq+read+counts%5BTitle%5D)+AND+%22Genome+Biology%22%5BJournal%5D)">voom: Precision weights unlock linear model analysis tools for RNA-seq read counts.</a> Genome Biology. 15, 29(2014).</li>
<li>Smyth, G. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Linear+models+and+empirical+bayes+methods+for+assessing+differential+expression+in+microarray+experiments%5BTitle%5D)+AND+%22Statistical+Applications+in+Genetics+and+Molecular+Biology%22%5BJournal%5D)">Linear models and empirical bayes methods for assessing differential expression in microarray experiments.</a> Statistical Applications in Genetics and Molecular Biology. 3, (2004).</li>
<li>Lund, S. P., Nettleton, D., McCarthy, D. J., Smyth, G. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detecting+differential+expression+in+RNA-sequence+data+using+quasi-likelihood+with+shrunken+dispersion+estimates%5BTitle%5D)+AND+%22Statistical+Applications+in+Genetics+and+Molecular+Biology%22%5BJournal%5D)">Detecting differential expression in RNA-sequence data using quasi-likelihood with shrunken dispersion estimates.</a> Statistical Applications in Genetics and Molecular Biology. 11, (2012).</li>
<li>Reeb, P. D., Steibel, J. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+statistical+analysis+models+for+RNA+sequencing+experiments%5BTitle%5D)+AND+%22Frontiers+in+Genetics%22%5BJournal%5D)">Evaluating statistical analysis models for RNA sequencing experiments.</a> Frontiers in Genetics. 4, 178(2013).</li>
<li>Rocke, D. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Excess+False+Positive+Rates+in+Methods+for+Differential+Gene+Expression+Analysis+using+RNA-Seq+Data%5BTitle%5D)+AND+%22bioRxiv%22%5BJournal%5D)">Excess False Positive Rates in Methods for Differential Gene Expression Analysis using RNA-Seq Data.</a> bioRxiv. , (2015).</li>
<li>Agarwal, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparison+and+calibration+of+transcriptome+data+from+RNA-Seq+and+tiling+arrays%5BTitle%5D)+AND+%22BMC+genomics%22%5BJournal%5D)">Comparison and calibration of transcriptome data from RNA-Seq and tiling arrays.</a> BMC genomics. 11, 383(2010).</li>
<li>Leng, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EBSeq%3A+an+empirical+Bayes+hierarchical+model+for+inference+in+RNA-seq+experiments%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">EBSeq: an empirical Bayes hierarchical model for inference in RNA-seq experiments.</a> Bioinformatics. 29, Oxford, England. 1035-1043 (2013).</li>
</ol>

Manuskrypt nie był wcześniej publikowany i nie jest brany pod uwagę do publikacji w innych miejscach. Wszyscy autorzy przyczynili się do powstania tego manuskryptu ze względu na ważne treści intelektualne oraz przeczytali i zatwierdzili ostateczną wersję rękopisu. Oświadczamy, że nie ma konfliktu interesów.

Obfite aberracyjne transkrypty w nowotworach można łatwo zidentyfikować za pomocą analizy różnicowej RNA-seq5. Jednak zastosowanie analizy różnicowej ekspresji RNA-seq jest często ograniczone, ponieważ wymaga pewnych umiejętności w zakresie języka R i zdolności do wyboru odpowiednich metod. Aby rozwiązać ten problem, przedstawiamy szczegółowe wprowadzenie do trzech najbardziej znanych metod (limma, EdgeR i DESeq2) oraz samouczki dotyczące stosowania analizy różnicowej wyrażeń RNA-seq. Ułatwi to zr...

Sekwencjonowanie RNA (sekwencjonowanie RNA) jest jedną z najczęściej stosowanych technologii w transkryptomice, z wieloma zaletami (np. wysoką odtwarzalnością danych) i znacznie zwiększyła nasze zrozumienie funkcji i dynamiki złożonych procesów biologicznych1,2. Identyfikacja aberracyjnych transkryptów w różnych kontekstach biologicznych, które są również znane jako geny o zróżnicowanej ekspresji (DEC), jest kluczowym krokiem w analizie sekwencyjnej RNA. RNA-seq umożliwia dogłębne zrozumienie mechanizmów molekularnych i funkcji biologicznych związanych z patogenezą. Dlatego analiza różnicowa została uznana za cenną w diagnostyce, prognostyce i terapii nowotworów3,4,5. Obecnie opracowano więcej pakietów R/Bioconductor typu open source do analizy różnicowej ekspresji RNA-seq, w szczególności limma, DESeq2 i EdgeR1,6,7. Analiza różnicowa wymaga jednak pewnych umiejętności posługiwania się językiem R oraz umiejętności wyboru odpowiedniej metody, czego brakuje w programie nauczania edukacji medycznej.
W tym protokole, na podstawie danych dotyczących liczby sekwencyjnych RNA raka dróg żółciowych (CHOL) wyodrębnionych z Atlasu Genomu Raka (TCGA), trzy z najbardziej znanych metod (limma8, EdgeR9 i DESeq210) zostały przeprowadzone, odpowiednio, przez program R11 w celu identyfikacji stopni DEG między CHOL a normalnymi tkankami. Trzy protokoły limma, EdgeR i DESeq2 są podobne, ale mają różne etapy w procesach analizy. Na przykład znormalizowane dane dotyczące liczby sekwencji RNA są niezbędne dla EdgeR i limma8, 9, podczas gdy DESeq2 używa własnych rozbieżności bibliotecznych do poprawiania danych zamiast normalizacji10. Co więcej, edgeR jest szczególnie odpowiedni dla danych sekwencyjnych RNA, podczas gdy limma jest używana do mikromacierzy i sekwencji RNA. Model liniowy jest przyjmowany przez limma do oceny DEGs12, podczas gdy statystyki w edgeR są oparte na ujemnych rozkładach dwumianowych, w tym empirycznym oszacowaniu Bayesa, dokładnych testach, uogólnionych modelach liniowych i testach quasi-prawdopodobieństwa9.
Podsumowując, udostępniamy szczegółowe protokoły analizy różnicowej ekspresji RNA-seq za pomocą odpowiednio limma, DESeq2 i EdgeR. Odwołując się do tego artykułu, użytkownicy mogą łatwo przeprowadzić analizę różnicową RNA-seq i wybrać odpowiednie metody analizy różnicowej dla swoich danych.

<table><tbody><tr><td>R</td><td></td><td>wersja 3.6.2</td><td>darmowe oprogramowanie</td></tr><tr><td>Darmowe oprogramowanie</td> <td>Rstudio</td><td></td><td></td></tr></tbody></table>

trzy metody analizy różnicowej ekspresji do sekwencjonowania rna: limma, edger, deseq2

Three Differential Expression Analysis Methods for RNA Sequencing: limma, EdgeR, DESeq2

Sekwencjonowanie RNA (sekwencjonowanie RNA) jest jedną z najczęściej stosowanych technologii w transkryptomice, ponieważ może ujawnić związek między zmianami genetycznymi a złożonymi procesami biologicznymi i ma wielką wartość w diagnostyce, prognostyce i terapii nowotworów. Analiza różnicowa danych sekwencyjnych RNA ma kluczowe znaczenie dla identyfikacji nieprawidłowych transkrypcji, a limma, EdgeR i DESeq2 są skutecznymi narzędziami do analizy różnicowej. Jednak analiza różnicowa RNA-seq wymaga pewnych umiejętności posługiwania się językiem R i umiejętności wyboru odpowiedniej metody, której brakuje w programie edukacji medycznej.
Niniejszym udostępniamy szczegółowy protokół identyfikacji genów o zróżnicowanej ekspresji (DEG) między rakiem dróg żółciowych (CHOL) a normalnymi tkankami odpowiednio za pomocą limma, DESeq2 i EdgeR, a wyniki są pokazane na wykresach wulkanów i diagramach Venna. Trzy protokoły limma, DESeq2 i EdgeR są podobne, ale mają różne etapy w procesach analizy. Na przykład model liniowy jest używany do statystyk w limma, podczas gdy ujemny rozkład dwumianowy jest używany w edgeR i DESeq2. Dodatkowo, znormalizowane dane dotyczące liczby sekwencji RNA są niezbędne dla EdgeR i limma, ale nie są konieczne dla DESeq2.
Tutaj udostępniamy szczegółowy protokół dla trzech metod analizy różnicowej: limma, EdgeR i DESeq2. Wyniki tych trzech metod częściowo się pokrywają. Wszystkie trzy metody mają swoje zalety, a wybór metody zależy tylko od danych.

Istnieje wiele podejść do wizualizacji wyników analizy różnicowej ekspresji, wśród których szczególnie często stosuje się wykres wulkaniczny (volcano plot) oraz diagram Venna. Przy zastosowaniu progów |logFC|≥2 oraz adj.P.Val &lt;0.05, narzędzie limma zidentyfikowało 3323 DEG pomiędzy tkankami CHOL a tkankami prawidłowymi, z czego 1880 wykazano jako wyciszone w tkankach CHOL, a 1443 jako nadekspresyjne (Rysunek 1a). Tymczasem edgeR zidentyfikował 1578 wyciszonych DEG i 3121 nadekspresyjnych ...

Dostarczono szczegółowy protokół metod analizy różnicowej ekspresji dla sekwencjonowania RNA: limma, EdgeR, DESeq2.

Trzy metody analizy różnicowej ekspresji do sekwencjonowania RNA: limma, EdgeR, DESeq2

RNA sequencing (RNA-seq) is one of the most widely used technologies in transcriptomics as it can reveal the relationship between the genetic alteration ...

Trzy metody analizy ekspresji różnicowej dla sekwencjonowania RNA: limma, EdgeR i DESeq2. Otwórz program RStudio, a następnie załaduj plik R DEGs. Plik można pobrać z plików uzupełniających. Jeden.Pobieranie i wstępne przetwarzanie danych.1.1. Pobierz dane dotyczące liczby karoraka dróg żółciowych o wysokiej przepustowości z atlasu genomu raka. Tę zakładkę można łatwo osiągnąć za pomocą poniższego kodu.Kliknij przycisk Uruchom, aby zainstalować pakiet języka R. Kliknij przycisk Uruchom, aby załadować pakiet języka R. Ustawia katalog roboczy.Wybierz rodzaj nowotworu. Uruchom kod języka R z pliku GDCquery, aby pobrać dane. Plik GDCquery może być pobrany z dodatkowych plików/skryptów.Po wykonaniu dane dotyczące sekwencjonowania RNA raka dróg żółciowych można pobrać i nazwać CNT, gdzie wiersze reprezentują identyfikatory genów zespołu, a kolumny reprezentują identyfikatory symboli. Proszę zwrócić uwagę na liczby na pozycjach od 14 do 15 w identyfikatorach symboli. Liczby z zakresu od 01 do 09 wskazują na guzy, a od 10 do 19 wskazują na normalne tkanki.1.2.Konwersja identyfikatorów genów zespołu na symbole genów. Zaimportuj plik adnotacji do R, zgodnie z jego ścieżką przechowywania. Plik adnotacji można pobrać z plików dodatkowych.Uruchom kod języka R z pliku gtf v22. Które można pobrać z dodatkowych plików/skryptów. Zastosuj inn"i przekonwertuj identyfikatory genów zespołu na symbole genów.1.3.Filtruj geny o niskiej ekspresji. Kliknij uruchom, aby zainstalować pakiet edgeR"Kliknij uruchom, aby załadować pakiet R edgeR"Uruchom zgodnie z kodem R, aby zachować geny z liczbami na milion wartości większe niż jeden w co najmniej dwóch próbkach. Dwa. Analiza wyrażeń różnicowych za pomocą limma"Kliknij Uruchom, aby zainstalować pakiet R limma"Kliknij Uruchom, aby załadować pakiet R limma"krawędźR"Uruchom następujący kod R, aby utworzyć macierz projektową.Wyodrębnij informacje o grupie. Ustaw 01 "jako tkankę nowotworową. Ustaw 11 "jako normalną tkankę.Stwórz matrycę projektu. Utwórz obiekt DGEList. Znormalizuj dane.Uruchom następujący kod języka R, aby przeprowadzić analizę wyrażeń różnicowych opartą na metodzie limma-trend. Oblicz wartość CPM. Kliknij przycisk Uruchom, aby dopasować model liniowy w celu przewidywania danych lub wnioskowania o relacji między zmiennymi.Oblicz wartość T, wartość F i logarytm kursów na podstawie algorytmu Bayesa. Wyodrębnij tabelę wyników. Wyniki analizy wyrażeń różnicowych są zapisywane w res_limma", który zawiera wartość zmiany log2 krotności.Średni poziom ekspresji log2 genu w eksperymencie. Zmodyfikowana statystyka T, wartość P, współczynnik fałszywych odkryć skorygowany o wartość p i logarytm szans genów o zróżnicowanej ekspresji. Zidentyfikuj geny o zróżnicowanej ekspresji.Tak więc skorygowana wartość P mniejsza niż 0,05 i wartość bezwzględna logarytmu fałszywej zmiany większa lub równa dwóm są progami do badania przesiewowego genów o zróżnicowanej ekspresji. Wyniki res limma pokazują, że w porównaniu z normalnymi tkankami, 1 443 geny są regulowane w górę, a 1 880 genów jest regulowanych w dół. Wyprowadzanie tabeli wyników do pliku.Kliknij Uruchom, aby zainstalować pakiet R ggplot2"Kliknij Uruchom, aby załadować pakiet R ggplot2"Uruchom kod R z pliku wulkanu, aby utworzyć wykres wulkanu, a plik wulkan można pobrać z plików dodatkowych. Geny mogą być mapowane do różnych pozycji zgodnie z ich log2 krotną zmianą i dostosowanymi wartościami P. Tak więc geny o zróżnicowanej ekspresji są zabarwione na czerwono.a geny o zróżnicowanej ekspresji regulowane w dół są pokolorowane na zielono. Kliknij eksport"aby zapisać wykres wulkanu. Trzy. Analiza wyrażeń różnicowych za pomocą edgeR"Kliknij Uruchom, aby załadować pakiet R edgeR"Uruchom następujący kod R, aby utworzyć macierz projektową.Kliknij przycisk Uruchom, aby utworzyć obiekt DGEList i znormalizować dane. Kliknij przycisk Uruchom, aby oszacować rozproszenie wartości ekspresji genów. Kliknij przycisk Uruchom, aby dopasować model do zliczania danych.Przeprowadź test statystyczny. Wyodrębnij tabelę wyników. Wynik jest zapisywany w res edgeR", który obejmuje wartość zmiany składania logarytmu, logCPM, wartość F, p i skorygowaną wartość p współczynnika fałszywych wykrywań.Zidentyfikuj geny o zróżnicowanej ekspresji. Wynik res edgeR" pokazuje, że w porównaniu z normalnymi tkankami, 3 121 genów jest regulowanych w górę, a 1 578 genów jest regulowanych w dół w tkankach raka dróg żółciowych. Wyprowadzanie tabeli wyników do pliku.Utwórz wykres wulkanu. Kliknij przycisk eksportuj, aby zapisać wykres wulkanu. Cztery. Analiza różnicowa wyrażeń za pomocą DESeq2.Kliknij Uruchom, aby zainstalować pakiet R DESeq2"Kliknij Uruchom, aby załadować pakiet R DESeq2"Uruchom następujący kod R, aby określić współczynnik macania. Utwórz obiekt zestawu danych DESeq2. Wykonaj analizę.Wygeneruj tabelę wyników. Wynik jest zapisywany w res DESeq2, który zawiera średnią znormalizowanej liczby odczytów, wartość zmiany logarytmu zagięcia, standardową strzałkę zmiany logarytmu zagięcia, statystykę spawania, oryginalną wartość P i skorygowaną wartość P. Zidentyfikuj stopnie procentowe.Wynik res DESeq2 pokazuje, że w porównaniu z normalnymi tkankami, dwa tysiące dziewięćset trzydzieści osiem genów jest regulowanych w górę, a tysiąc sześćset szesnaście genów jest regulowanych w dół w tkankach raka dróg żółciowych. Wyprowadzanie tabeli wyników do pliku. Utwórz wykres wulkanu.Kliknij przycisk eksportuj, aby zapisać wykres wulkanu. Pięć. Diagram Venna. Kliknij przycisk Uruchom, aby zainstalować diagram venn pakietu języka R.Kliknij przycisk Uruchom, aby załadować diagram Venn pakietu języka R. Zrób diagram Venna genów o zróżnicowanej ekspresji regulowanej w górę. Kliknij eksport, aby zapisać diagram furgonetki, Utwórz diagram Venna genów o zróżnicowanej ekspresji regulowanej w dół.Kliknij przycisk eksportuj, aby zapisać diagram Venna. Sześć. Reprezentatywne wyniki. Rysunek pierwszy przedstawia wykresy wulkaniczne wszystkich genów nabytych przez limma, edgeR i DESeq2.Ujemna wartość logarytmu p jest wykreślana w stosunku do zmiany zagięcia logarytmu. Czerwone punkty reprezentują geny o zróżnicowanej ekspresji w górę, a zielone punkty reprezentują geny o zróżnicowanej ekspresji w dół. Limma identyfikuje tysiąc osiemset osiemdziesiąt genów o zróżnicowanej ekspresji w dół oraz tysiąc czterysta czterdzieści trzy geny o zróżnicowanej ekspresji w górę w tkankach raka dróg żółciowych.EdgeR identyfikuje tysiąc pięćset siedemdziesiąt osiem genów o zróżnicowanej ekspresji regulowane w dół i trzy tysiące sto dwadzieścia jeden genów o zróżnicowanej ekspresji regulowanej w górę. DESeq2 identyfikuje tysiąc sześćset szesnaście genów o zróżnicowanej ekspresji regulowanej w dół oraz dwa tysiące dziewięćset trzydzieści osiem genów o zróżnicowanej ekspresji regulowanej w górę. Rysunek drugi, diagramy Venna pokazują nakładanie się wyników podzielonych z limma edgeR i DESeq2.Porównaj wyniki tych trzech metod: tysiąc czterysta trzydzieści jeden genów o zróżnicowanej ekspresji regulowanej w górę i tysiąc pięćset trzydzieści jeden genów o zróżnicowanej ekspresji regulowanej w dół nakłada się na siebie. Siedem. Wniosek. W tym protokole przedstawiliśmy szczegółowy protokół różnych typów analizy miar dla dużej sekwencji danych zliczania przy użyciu pakietów R, limma, edgeR i DESeq2. Trzy metody mają podobne i sztaby wśród ich procesu ich analizy.A potem ich z tych trzech leków częściowo się pokrywają. Wszystkie trzy leki mają swoje zalety. A wybór zależy tylko od czasu twoich danych.Jeśli istnieją moje aktualne dane, limma powinna być podana z pierwszeństwem, ale preferowane są dane sekwencjonowania generacji, w edgeR i DESeq2.

three-differential-expression-analysis-methods-for-rna-sequencing

Research

JoVE Journal

Cancer Research

Badania nad rakiem

Ten protokół przedstawia kompletną i szczegółową procedurę zastosowania sekwencjonowania RNA, potężnej technologii sekwencjonowania DNA nowej generacji, do profilowania transkryptomów w ludzkich komórkach śródbłonka mikronaczyniowego płuc z leczeniem trombiną lub bez. Protokół ten można uogólnić na różne komórki lub tkanki dotknięte różnymi odczynnikami lub stanami chorobowymi.

Analiza sekwencyjna RNA transkryptomów w ludzkich komórkach śródbłonka mikronaczyniowego płuc leczonych trombiną i kontrolnych

Sekwencjonowanie RNA i analizy bioinformatyczne zostały wykorzystane do identyfikacji znacząco i różnicowo wyrażonych czynników transkrypcyjnych w subpopulacjach Lin-CD34+ i Lin-CD34- mysich komórek EML. Te czynniki transkrypcyjne mogą odgrywać ważną rolę w określaniu przełączania między samoodnawiającymi się komórkami Lin-CD34 + a częściowo zróżnicowanymi komórkami Lin-CD34.

Identyfikacja kluczowych czynników regulujących samoodnawianie i różnicowanie w hematopoetycznych komórkach prekursorowych EML za pomocą analizy sekwencjonowania RNA

Opisujemy metodę opartą na sekwencjonowaniu RNA, która obejmuje przygotowanie indeksowanych bibliotek cDNA, hybrydyzację i przechwytywanie za pomocą niestandardowych sond oraz analizę danych w celu zbadania wybranych transkryptów pod kątem ekspresji genów, mutacji i fuzji genów. Ukierunkowany RNAseq pozwala na ekonomiczną, szybką ocenę wybranych transkryptów na sekwencerze stacjonarnym.

Ukierunkowany test sekwencjonowania RNA w celu scharakteryzowania ekspresji genów i zmian genomowych

Ten protokół przedstawia podejście do analizy całego transkryptomu z zarodków danio pręgowanego, larw lub posortowanych komórek. Obejmuje izolację RNA, analizę szlaku danych RNASeq oraz walidację zmian ekspresji genów opartą na qRT-PCR.

Przygotowanie próbki i analiza danych dotyczących ekspresji genów opartych na RNASeq od danio pręgowanego

Ten protokół opisuje kombinatoryczne zastosowanie ChIP-seq, 4sU-seq, total RNA-seq i profilowania rybosomów dla linii komórkowych i komórek pierwotnych. Umożliwia śledzenie zmian w wiązaniu czynnika transkrypcyjnego, transkrypcji de novo, przetwarzaniu RNA, obrocie i translacji w czasie oraz wyświetlanie ogólnego przebiegu zdarzeń w aktywowanych i/lub szybko zmieniających się komórkach.

Analiza w czasie rzeczywistym wiązania czynników transkrypcyjnych, transkrypcji, translacji i obrotu w celu wyświetlenia globalnych zdarzeń podczas aktywacji komórkowej

Przedstawiona tutaj jest stopniowa procedura różnicowania in vitro ludzkich pierwotnych keratynocytów poprzez hamowanie kontaktu, a następnie charakterystykę na poziomie molekularnym za pomocą analizy sekwencyjnej RNA.

Charakterystyka różnicowania in vitro ludzkich keratynocytów pierwotnych za pomocą analizy RNA-Seq

Ta metoda opisuje kroki mające na celu poprawę jakości i ilości danych sekwencyjnych, które można uzyskać z próbek RNA zatopionych w parafinie (FFPE) utrwalonych w formalinie. Opisujemy metodologię dokładniejszej oceny jakości próbek FFPE-RNA, przygotowania bibliotek sekwencjonowania i analizy danych z próbek FFPE-RNA.

Optymalizacja sekwencjonowania i analizy zdegradowanych próbek FFPE-RNA

DiCoExpress to narzędzie oparte na skryptach zaimplementowane w R do przeprowadzania analizy sekwencyjnej RNA, od kontroli jakości do koekspresji. DiCoExpress obsługuje kompletną i niezrównoważoną konstrukcję do 2 czynników biologicznych. Ten samouczek wideo prowadzi użytkownika przez różne funkcje DiCoExpress.

Analiza wieloczynnikowych eksperymentów sekwencyjnych RNA za pomocą DiCoExpress

Alternatywny splicing (AS) i alternatywna poliadenylacja (APA) rozszerzają różnorodność izoform transkryptu i ich produktów. W tym miejscu opisujemy protokoły bioinformatyczne do analizy masowych testów sekwencjonowania RNA i sekwencjonowania końca 3' w celu wykrycia i wizualizacji AS i APA różniących się w różnych warunkach eksperymentalnych.

Identyfikacja alternatywnego splicingu i poliadenylacji w danych sekwencyjnych RNA

Obecne prace opisują protokół uruchamiania algorytmu Pathway2Targetes, skryptu R, który przewiduje i priorytetowo nadaje cele terapeutyczne na podstawie profilu szlaków sygnalizacji wewnątrzkomórkowej generowanej przez porównanie próbek przypadków i kontrolnych z eksperymentu sekwencjonowania RNA w masowym składzie.

Wykorzystanie list genów wyrażanych różnicowo ekspresyjnie u człowieka do analizy wzbogacania szlaków w dalszej części i priorytetyzacji celów

Protokół ten umożliwia początkową kontrolę jakości eksperymentów RNA-seq dla biologów laboratoryjnych z ograniczonym doświadczeniem w bioinformatyce.

Rup (RNA-seq Benchmark Assessment Pipeline) – Kontrola jakości eksperymentów masowych RNA-seq u eukariontów

Poznaj trzy metody analizy różnicowej ekspresji RNA: limma, EdgeR i DESeq2. Naucz się przetwarzania danych sekwencjonowania nowotworu dróg żółciowych i identyfikacji genów różnicowo ekspresowanych przy użyciu RStudio.

Trzy metody analizy różnicowej ekspresji do sekwencjonowania RNA: limma, EdgeR, DESeq2

Przeglądaj więcej filmów