Моделирование данных

Анализ дифференциальной экспрессии с помощью limma в R

John Blischak

Instructor

Готово к анализу

# 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")

Шаги анализа дифференциальной экспрессии

Построение матрицы дизайна с помощью model.matrix
Построение матрицы контрастов с помощью makeContrasts
Проверка контрастов с помощью lmFit, contrasts.fit и eBayes

Модель групповых средних для исследования доксорубицина

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

$\beta_1$ — средний уровень экспрессии у мышей top2b, получавших dox
$\beta_2$ — средний уровень экспрессии у мышей top2b, получавших pbs
$\beta_3$ — средний уровень экспрессии у мышей wt, получавших dox
$\beta_4$ — средний уровень экспрессии у мышей wt, получавших pbs

Контрасты для исследования доксорубицина

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

Проверка гипотез в исследовании доксорубицина

Подгонка коэффициентов модели с помощью lmFit
Подгонка контрастов с помощью contrasts.fit
Вычисление t-статистик с помощью eBayes

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

# Create a Venn diagram
vennDiagram(results)

Давайте потренируемся!

Анализ дифференциальной экспрессии с помощью limma в R