Le paquet limma

Analyse d'expression différentielle avec limma dans R

John Blischak

Instructor

Avantages du paquet limma

Tester des milliers de gènes exigerait beaucoup de code passe-partout

pval <- numeric(length = nrow(x))
r2 <- numeric(length = nrow(x))
for (i in 1:nrow(x)) {
  mod <- lm(x[i, ] ~ p[, "er"])
  result <- summary(mod)
  pval[i] <- result$coefficients[2, 4]
  r2[i] <- result$r.squared
}

Inférence améliorée en partageant l'information entre les gènes
De nombreuses fonctions pour le prétraitement et le post-traitement (voir Ritchie et al., 2015 pour un aperçu)

biocManager::install("limma")

Définir un modèle linéaire

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

$Y$ - Niveau d'expression du gène
$B_0$ - Expression moyenne chez ER négatif
$B_1$ - Différence moyenne d'expression chez ER positif
$X_1$ - Statut ER : 0 = négatif, 1 = positif
$\epsilon$ - Bruit aléatoire

Définir un modèle linéaire en R

model.matrix(~<explanatory>, data = <data frame>)

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

head(design, 2)

      (Intercept) erpositive
VDX_3           1          0
VDX_5           1          1

colSums(design)

(Intercept)  erpositive 
        344         209

table(pData(eset)[, "er"])

negative positive 
     135      209

Tester avec limma

library(limma)

# Ajuster le modèle
fit <- lmFit(eset, design)

# Calculer les statistiques t
fit <- eBayes(fit)

# Résumer les résultats
results <- decideTests(fit[, "er"])
summary(results)

   erpositive
-1       6276
0       11003
1        5004

Passons à la pratique !

Analyse d'expression différentielle avec limma dans R