Gói limma

Phân tích Biểu hiện khác biệt với limma trong R

John Blischak

Instructor

Ưu điểm của gói limma

Kiểm định hàng nghìn gene sẽ cần rất nhiều mã lặp khuôn mẫu

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
}

Cải thiện suy luận bằng cách chia sẻ thông tin giữa các gene
Nhiều hàm cho tiền/xử lý sau (xem Ritchie et al., 2015 để tổng quan)

biocManager::install("limma")

Xác định mô hình tuyến tính

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

$Y$ - Mức biểu hiện của gene
$B_0$ - Mức biểu hiện trung bình ở ER-âm tính
$B_1$ - Chênh lệch trung bình mức biểu hiện ở ER-dương tính
$X_1$ - Trạng thái ER: 0 = âm tính, 1 = dương tính
$\epsilon$ - Nhiễu ngẫu nhiên

Xác định mô hình tuyến tính trong 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

Kiểm định với limma

library(limma)

# Khớp mô hình
fit <- lmFit(eset, design)

# Tính thống kê t
fit <- eBayes(fit)

# Tóm tắt kết quả
results <- decideTests(fit[, "er"])
summary(results)

   erpositive
-1       6276
0       11003
1        5004

Cùng luyện tập nào!

Phân tích Biểu hiện khác biệt với limma trong R