Uwzględnianie technicznych efektów wsadowych

Analiza różnicowej ekspresji genów z limma w R

John Blischak

Instructor

Czym są techniczne efekty wsadowe?

Każda partia eksperymentu jest nieco inna
Zmienne zainteresowania należy równoważyć między partiami
Przy właściwym zrównoważeniu efekty wsadowe można usunąć

Diagnozowanie technicznych efektów wsadowych

Techniki redukcji wymiarów:
- Analiza głównych składowych (PCA)
- Skalowanie wielowymiarowe (MDS)
Identyfikują największe źródła zmienności w zbiorze danych
Czy największe źródła zmienności korelują ze zmiennymi zainteresowania czy z efektami wsadowymi?

plotMDS

library(limma)
plotMDS(eset, labels = pData(eset)[, "time"], 
        gene.selection = "common")

removeBatchEffect

exprs(eset) <- removeBatchEffect(eset, 
                  batch = pData(eset)[,"batch"],
                  covariates = pData(eset)[,"rin"])

plotMDS(eset, labels = pData(eset)[, "time"], 
        gene.selection = "common")

Węchowe komórki macierzyste

7 wariantów, 4 partie
- Pakiety Bioconductor: HarmanData, Harman
- Osmond-McLeod et al. 2013, Oytam et al. 2016

table(pData(eset))

         batch
treatment b1 b2 b3 b4
       t1  1  1  1  1
       t2  1  1  1  1
       t3  1  1  1  1
       t4  1  1  1  1
       t5  1  1  1  1
       t6  1  1  1  1
       t7  1  1  1  1

Czas na ćwiczenia!

Analiza różnicowej ekspresji genów z limma w R