Modéliser les données

Analyse d’expression différentielle avec limma en R

John Blischak

Instructor

Prêt pour l'analyse

# Plot principal components labeled by genotype
plotMDS(eset, labels = pData(eset)[, "genotype"], gene.selection = "common")
# Plot principal components labeled by treatment
plotMDS(eset, labels = pData(eset)[, "treatment"], gene.selection = "common")

Étapes de l'analyse d'expression différentielle

Construire la matrice de conception avec model.matrix
Construire la matrice de contrastes avec makeContrasts
Tester les contrastes avec lmFit, contrasts.fit et eBayes

Modèle par moyenne de groupe pour l'étude doxorubicine

$$ Y = \beta_1 X_1 + \beta_2 X_2 + \beta_3 X_3 + \beta_4 X_4 + \epsilon $$

$\beta_1$ - Niveau moyen d'expression chez les souris top2b traitées par dox
$\beta_2$ - Niveau moyen d'expression chez top2b traitées par pbs
$\beta_3$ - Niveau moyen d'expression chez les souris wt traitées par dox
$\beta_4$ - Niveau moyen d'expression chez les souris wt traitées par pbs

Contrastes pour l'étude doxorubicine

	$\beta_1$	$\beta_2$	$\beta_3$	$\beta_4$
`genotype`	top2b	top2b	wt	wt
`treatment`	dox	pbs	dox	pbs

Response of wild type mice to dox treatment: $\beta_3 - \beta_4 = 0$
Response of Top2b null mice to dox treatment: $\beta_1 - \beta_2 = 0$
Differences between Top2b null and wild type mice in response to dox treatment: $(\beta_1 - \beta_2) - (\beta_3 - \beta_4) = 0$

Tester l'étude doxorubicine

Estimer les coefficients du modèle avec lmFit
Ajuster les contrastes avec contrasts.fit
Calculer les statistiques t avec eBayes

# Summarize results
results <- decideTests(fit2)
summary(results)

# Create a Venn diagram
vennDiagram(results)

Passons à la pratique !

Analyse d’expression différentielle avec limma en R