Modéliser les données

Analyse d'expression différentielle avec limma dans R

John Blischak

Instructor

Prêt pour l'analyse

# 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")

Étapes de l'analyse d'expression différentielle

Construire la matrice de plan avec model.matrix
Construire la matrice de contrastes avec makeContrasts
Tester les contrastes avec lmFit, contrasts.fit et eBayes

Modèle à moyennes de groupe pour l'étude doxorubicine

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

$\beta_1$ - Niveau moyen d'expression chez les souris top2b traitées avec dox
$\beta_2$ - Niveau moyen d'expression chez top2b traité avec pbs
$\beta_3$ - Niveau moyen d'expression chez les souris wt traitées avec dox
$\beta_4$ - Niveau moyen d'expression chez les souris wt traitées avec pbs

Contrastes pour l'étude doxorubicine

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

Tester l'étude doxorubicine

Ajuster les coefficients du modèle avec lmFit
Ajuster les contrastes avec contrasts.fit
Calculer les statistiques t avec eBayes

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

# Create a Venn diagram
vennDiagram(results)

Passons à la pratique !

Analyse d'expression différentielle avec limma dans R