Prendre en compte les effets de lot techniques

Analyse d’expression différentielle avec limma en R

John Blischak

Instructor

Que sont les effets de lot techniques ?

  • Chaque lot d'une expérience diffère légèrement

  • Il faut équilibrer les variables d'intérêt entre les lots

  • S'ils sont bien équilibrés, les effets de lot peuvent être retirés

Analyse d’expression différentielle avec limma en R

Diagnostiquer les effets de lot techniques

  • Techniques de réduction de dimension :

    • Analyse en composantes principales (PCA)
    • MultiDimensional Scaling (MDS)

  • Identifier les plus grandes sources de variation d'un jeu de données

  • Les plus grandes sources de variation sont-elles corrélées aux variables d'intérêt ou aux effets de lot techniques ?

Analyse d’expression différentielle avec limma en R

plotMDS

library(limma)
plotMDS(eset, labels = pData(eset)[, "time"], 
        gene.selection = "common")

Analyse d’expression différentielle avec limma en R

removeBatchEffect

exprs(eset) <- removeBatchEffect(eset, 
                  batch = pData(eset)[,"batch"],
                  covariates = pData(eset)[,"rin"])

plotMDS(eset, labels = pData(eset)[, "time"], 
        gene.selection = "common")

Analyse d’expression différentielle avec limma en R

Cellules souches olfactives

  • 7 traitements, 4 lots
    • Paquets Bioconductor : HarmanData, Harman
    • Osmond-McLeod et al. 2013, Oytam et al. 2016
table(pData(eset))

         batch
treatment b1 b2 b3 b4
       t1  1  1  1  1
       t2  1  1  1  1
       t3  1  1  1  1
       t4  1  1  1  1
       t5  1  1  1  1
       t6  1  1  1  1
       t7  1  1  1  1
Analyse d’expression différentielle avec limma en R

Passons à la pratique !

Analyse d’expression différentielle avec limma en R

Preparing Video For Download...