O pacote limma

Análise de Expressão Diferencial com limma em R

John Blischak

Instructor

Vantagens do pacote limma

Testar milhares de genes exigiria muito código repetitivo

pval <- numeric(length = nrow(x))
r2 <- numeric(length = nrow(x))
for (i in 1:nrow(x)) {
  mod <- lm(x[i, ] ~ p[, "er"])
  result <- summary(mod)
  pval[i] <- result$coefficients[2, 4]
  r2[i] <- result$r.squared
}

Inferência melhor compartilhando informação entre genes
Muitas funções para pré e pós-processamento (veja Ritchie et al., 2015 para uma visão geral)

biocManager::install("limma")

Especificando um modelo linear

$$ Y = \beta_0 + \beta_1 X_1 + \epsilon $$

$Y$ - Nível de expressão do gene
$B_0$ - Nível médio de expressão em ER-negativo
$B_1$ - Diferença média de expressão em ER-positivo
$X_1$ - Status de ER: 0 = negativo, 1 = positivo
$\epsilon$ - Ruído aleatório

Especificando um modelo linear no R

model.matrix(~<explanatory>, data = <data frame>)

design <- model.matrix(~er, data = pData(eset))

head(design, 2)

      (Intercept) erpositive
VDX_3           1          0
VDX_5           1          1

colSums(design)

(Intercept)  erpositive 
        344         209

table(pData(eset)[, "er"])

negative positive 
     135      209

Testando com limma

library(limma)

# Ajustar o modelo
fit <- lmFit(eset, design)

# Calcular as estatísticas t
fit <- eBayes(fit)

# Resumir os resultados
results <- decideTests(fit[, "er"])
summary(results)

   erpositive
-1       6276
0       11003
1        5004

Vamos praticar!

Análise de Expressão Diferencial com limma em R