Aperçu de l'expression différentielle des gènes

RNA-Seq avec Bioconductor en R

Mary Piper

Bioinformatics Consultant and Trainer

carte thermique des fold changes

RNA-Seq avec Bioconductor en R

variation d'ED

RNA-Seq avec Bioconductor en R

article JCI

RNA-Seq avec Bioconductor en R

Introduction au jeu de données : Smoc2

fibrose rénale

RNA-Seq avec Bioconductor en R

expérience RNA-Seq

RNA-Seq avec Bioconductor en R

Distribution des comptes RNA-Seq

ggplot(raw_counts) +
  geom_histogram(aes(x = wt_normal1), stat = "bin", bins = 200) +
  xlab("Raw expression counts") +
  ylab("Number of genes")

Répartition des comptes

RNA-Seq avec Bioconductor en R

Préparation à l'analyse différentielle : objet DESeq2

dds <- DESeqDataSetFromMatrix(countData = rawcounts,
                        colData = metadata,
                        design = ~ condition)

données de comptage

RNA-Seq avec Bioconductor en R

Préparation à l'analyse différentielle : métadonnées

# Create vectors containing metadata for the samples
genotype <- c("wt", "wt", "wt", "wt", "wt", "wt", "wt") 
condition <- c("normal", "fibrosis", "normal", 
               "fibrosis", "normal", "fibrosis", "fibrosis") 

# Combine vectors into a data frame
wt_metadata <- data.frame(genotype, wildtype)


# Create the row names with the associated sample names
rownames(wt_metadata) <- c("wt_normal3", "wt_fibrosis3", "wt_normal1", 
                "wt_fibrosis2", "wt_normal2", "wt_fibrosis4", "wt_fibrosis1")
RNA-Seq avec Bioconductor en R

Préparation à l'analyse différentielle : métadonnées

métadonnées

RNA-Seq avec Bioconductor en R

Passons à la pratique !

RNA-Seq avec Bioconductor en R

Preparing Video For Download...