Modelowanie danych

Analiza różnicowej ekspresji genów z limma w R

John Blischak

Instructor

Gotowy do analizy

# 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")

Kroki analizy różnicowej ekspresji

Zbuduj macierz projektu za pomocą model.matrix
Skonstruuj macierz kontrastów za pomocą makeContrasts
Przetestuj kontrasty przy użyciu lmFit, contrasts.fit i eBayes

Model średnich grupowych dla badania z doksorubicyną

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

$\beta_1$ - Średni poziom ekspresji u myszy top2b leczonych dox
$\beta_2$ - Średni poziom ekspresji u top2b leczonych pbs
$\beta_3$ - Średni poziom ekspresji u myszy wt leczonych dox
$\beta_4$ - Średni poziom ekspresji u myszy wt leczonych pbs

Kontrasty dla badania z doksorubicyną

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

Testowanie badania z doksorubicyną

Dopasuj współczynniki modelu za pomocą lmFit
Dopasuj kontrasty za pomocą contrasts.fit
Oblicz statystyki t za pomocą eBayes

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

# Create a Venn diagram
vennDiagram(results)

Czas na ćwiczenia!

Analiza różnicowej ekspresji genów z limma w R