Mô hình hóa dữ liệu

Phân tích Biểu hiện khác biệt với limma trong R

John Blischak

Instructor

Sẵn sàng phân tích

# Vẽ các thành phần chính, gắn nhãn theo kiểu gen
plotMDS(eset, labels = pData(eset)[, "genotype"], gene.selection = "common")
# Vẽ các thành phần chính, gắn nhãn theo xử lý
plotMDS(eset, labels = pData(eset)[, "treatment"], gene.selection = "common")

Các bước phân tích biểu hiện khác biệt

Dựng ma trận thiết kế với model.matrix
Tạo ma trận đối chiếu với makeContrasts
Kiểm định các đối chiếu với lmFit, contrasts.fit, và eBayes

Mô hình trung bình nhóm cho nghiên cứu doxorubicin

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

$\beta_1$ - Mức biểu hiện trung bình ở chuột top2b xử lý dox
$\beta_2$ - Mức biểu hiện trung bình ở top2b xử lý pbs
$\beta_3$ - Mức biểu hiện trung bình ở chuột wt xử lý dox
$\beta_4$ - Mức biểu hiện trung bình ở wt xử lý pbs

Các đối chiếu cho nghiên cứu doxorubicin

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

Kiểm định nghiên cứu doxorubicin

Ước lượng hệ số mô hình với lmFit
Ước lượng các đối chiếu với contrasts.fit
Tính thống kê t với eBayes

# Tóm tắt kết quả
results <- decideTests(fit2)
summary(results)

# Vẽ biểu đồ Venn
vennDiagram(results)

Cùng luyện tập nào!

Phân tích Biểu hiện khác biệt với limma trong R