Modelování dat

Analýza diferenciální exprese pomocí limma v R

John Blischak

Instructor

Připraveno k analýze

# 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")

Kroky analýzy diferenciální exprese

Sestavte matici návrhu pomocí model.matrix
Sestavte matici kontrastů pomocí makeContrasts
Otestujte kontrasty pomocí lmFit, contrasts.fit a eBayes

Model skupinových průměrů pro studii doxorubicinu

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

$\beta_1$ – Průměrná exprese u myší top2b léčených dox
$\beta_2$ – Průměrná exprese u myší top2b léčených pbs
$\beta_3$ – Průměrná exprese u myší wt léčených dox
$\beta_4$ – Průměrná exprese u myší wt léčených pbs

Kontrasty pro studii doxorubicinu

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

Testování studie doxorubicinu

Odhadněte koeficienty modelu pomocí lmFit
Odhadněte kontrasty pomocí contrasts.fit
Vypočítejte t-statistiky pomocí eBayes

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

# Create a Venn diagram
vennDiagram(results)

Pojďme cvičit!

Analýza diferenciální exprese pomocí limma v R