Modelar os dados

Análise de Expressão Diferencial com limma em R

John Blischak

Instructor

Pronto para a análise

# Plotar componentes principais rotulados por genótipo
plotMDS(eset, labels = pData(eset)[, "genotype"], gene.selection = "common")
# Plotar componentes principais rotulados por tratamento
plotMDS(eset, labels = pData(eset)[, "treatment"], gene.selection = "common")

Etapas da análise de expressão diferencial

Monte a matriz de desenho com model.matrix
Construa a matriz de contrastes com makeContrasts
Teste os contrastes com lmFit, contrasts.fit e eBayes

Modelo de médias por grupo para o estudo com doxorrubicina

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

$\beta_1$ - Nível médio de expressão em camundongos top2b tratados com dox
$\beta_2$ - Nível médio de expressão em top2b tratados com pbs
$\beta_3$ - Nível médio de expressão em camundongos wt tratados com dox
$\beta_4$ - Nível médio de expressão em wt tratados com pbs

Contrastes para o estudo com doxorrubicina

	$\beta_1$	$\beta_2$	$\beta_3$	$\beta_4$
`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: $(\beta_1 - \beta_2) - (\beta_3 - \beta_4) = 0$

Testando o estudo com doxorrubicina

Ajuste os coeficientes do modelo com lmFit
Ajuste os contrastes com contrasts.fit
Calcule as estatísticas t com eBayes

# Resumir resultados
results <- decideTests(fit2)
summary(results)

# Criar um diagrama de Venn
vennDiagram(results)

Vamos praticar!

Análise de Expressão Diferencial com limma em R