Modèles linéaires flexibles

Analyse d'expression différentielle avec limma dans R

John Blischak

Instructor

Modèles pour des plans d'étude complexes

$$ Y = \beta_0 + \beta_1 X_1 + \epsilon $$

$\beta_0$ - Moyenne dans ER négatif
$\beta_1$ - Écart moyen dans ER positif
Test : $\beta_1 = 0$

$$ Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \epsilon $$

$\beta_0$ - Moyenne du groupe 1
$\beta_1$ - Écart moyen du groupe 2
$\beta_2$ - Écart moyen du groupe 3
Tests : $\beta_1 = 0$, $\beta_2 = 0$, ???

Paramétrisation par moyennes de groupe

$$ Y = \beta_1 X_1 + \beta_2 X_2 + \epsilon $$

$\beta_1$ - Moyenne dans ER négatif
$\beta_2$ - Moyenne dans ER positif
Test : $\beta_2 - $\beta_1$ = 0$

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

$\beta_1$ - Moyenne du groupe 1
$\beta_2$ - Moyenne du groupe 2
$\beta_3$ - Moyenne du groupe 3
Tests :
- $\beta_2 - $\beta_1$ = 0$
- $\beta_3 - $\beta_1$ = 0$
- $\beta_3 - $\beta_2$ = 0$

Matrice de plan pour moyennes de groupe

design <- model.matrix(~0 + er, data = pData(eset))

head(design)

      ernegative erpositive
VDX_3          1          0
VDX_5          0          1
VDX_6          1          0
VDX_7          1          0
VDX_8          1          0
VDX_9          0          1

colSums(design)

ernegative erpositive 
       135        209

Matrice des contrastes

library(limma)
cm <- makeContrasts(status = erpositive - ernegative,
                    levels = design)

cm

            Contrasts
Levels       status
  ernegative     -1
  erpositive      1

Mettre à l'épreuve la paramétrisation par moyennes de groupe

fit <- lmFit(eset, design)

head(fit$coefficients, 3)

          ernegative erpositive
1007_s_at  11.725148  11.823936
1053_at     8.126934   7.580204
117_at      7.972049   7.798623

fit2 <- contrasts.fit(fit, contrasts = cm)

head(fit2$coefficients, 3)

           Contrasts
                 status
  1007_s_at  0.09878782
  1053_at   -0.54673000
  117_at    -0.17342654

La paramétrisation ne change pas les résultats

# Calculate the t-statistics
fit2 <- eBayes(fit2)

# Count the number of differentially expressed genes
results <- decideTests(fit2)
summary(results)

Passons à la pratique !

Analyse d'expression différentielle avec limma dans R