Modèle DESeq2

RNA-Seq avec Bioconductor en R

Mary Piper

Bioinformatics Consultant and Trainer

Modèle DESeq2

Théorie DE

Modèle DESeq2 - relation moyenne–variance

# Syntaxe de apply()
apply(data, rows/columns, function_to_apply)

# Calcul de la moyenne pour chaque gène (chaque ligne)
mean_counts <- apply(wt_rawcounts[, 1:3], 1, mean)

# Calcul de la variance pour chaque gène (chaque ligne)
variance_counts <- apply(wt_rawcounts[, 1:3], 1, var)

Modèle DESeq2 - dispersion

Tracer la relation entre moyenne et variance :

# Créer un data frame avec moyenne et variance pour chaque gène
df <- data.frame(mean_counts, variance_counts)

ggplot(df) +
        geom_point(aes(x=mean_counts, y=variance_counts)) + 
        scale_y_log10() +
        scale_x_log10() +
        xlab("Mean counts per gene") +
        ylab("Variance per gene")

Modèle DESeq2 - dispersion

relation moyenne–variance

Modèle DESeq2 - dispersion

$Var$ : variance

$\mu$ : moyenne

$\alpha$ : dispersion

Formule de dispersion : $Var = \mu + \alpha * \mu^{2}$

Relation entre moyenne, variance et dispersion :

$$\uparrow variance \Rightarrow \uparrow dispersion$$

$$\uparrow mean \Rightarrow \downarrow dispersion$$

Modèle DESeq2 - dispersion

# Tracer les estimations de dispersion
plotDispEsts(dds_wt)

Graphique de dispersion

Modèle DESeq2 - dispersion

mauvais graphiques de dispersion

Passons à la pratique !

RNA-Seq avec Bioconductor en R