データのモデル化

R での limma を用いた Differential Expression 解析

John Blischak

Instructor

分析の準備完了

# 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")

発現変動解析の手順

model.matrix でデザイン行列を構築する
makeContrasts でコントラスト行列を構築する
lmFit、contrasts.fit、eBayes でコントラストを検定する

ドキソルビシン研究のグループ平均モデル

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

$\beta_1$ - top2b マウス（dox 処理）の平均発現量
$\beta_2$ - top2b マウス（pbs 処理）の平均発現量
$\beta_3$ - wt マウス（dox 処理）の平均発現量
$\beta_4$ - wt マウス（pbs 処理）の平均発現量

ドキソルビシン研究のコントラスト

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

ドキソルビシン研究の検定

lmFit でモデル係数を推定する
contrasts.fit でコントラストを推定する
eBayes でt統計量を計算する

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

# Create a Venn diagram
vennDiagram(results)

演習を始めましょう！

R での limma を用いた Differential Expression 解析