处理技术批次效应

在 R 中使用 limma 进行差异表达分析

John Blischak

Instructor

什么是技术批次效应？

实验的每个批次都会略有不同
需在各批次间平衡关注变量
若平衡得当，可去除批次效应

诊断技术批次效应

降维方法：
- 主成分分析（PCA）
- 多维尺度分析（MDS）
识别数据集中最大的变异来源
最大的变异来源与关注变量还是技术批次效应相关？

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")

嗅觉干细胞

7 个处理，4 个批次
- Bioconductor 包：HarmanData、Harman
- Osmond-McLeod 等，2013；Oytam 等，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

Passons à la pratique !

在 R 中使用 limma 进行差异表达分析