โมเดลเชิงเส้นแบบยืดหยุ่น

การวิเคราะห์ Differential Expression ด้วย limma ใน R

John Blischak

Instructor

โมเดลสำหรับการออกแบบการศึกษาที่ซับซ้อน

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

$\beta_0$ - ค่าเฉลี่ยใน ER-neg
$\beta_1$ - ความแตกต่างของค่าเฉลี่ยใน ER-pos
ทดสอบ: $\beta_1 = 0$

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

$\beta_0$ - ค่าเฉลี่ยในกลุ่ม 1
$\beta_1$ - ความแตกต่างของค่าเฉลี่ยในกลุ่ม 2
$\beta_2$ - ความแตกต่างของค่าเฉลี่ยในกลุ่ม 3
ทดสอบ: $\beta_1 = 0$, $\beta_2 = 0$, ???

การกำหนดพารามิเตอร์แบบค่าเฉลี่ยกลุ่ม

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

$\beta_1$ - ค่าเฉลี่ยใน ER-neg
$\beta_2$ - ค่าเฉลี่ยใน ER-pos
ทดสอบ: $\beta_2 - \beta_1 = 0$

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

$\beta_1$ - ค่าเฉลี่ยในกลุ่ม 1
$\beta_2$ - ค่าเฉลี่ยในกลุ่ม 2
$\beta_3$ - ค่าเฉลี่ยในกลุ่ม 3
ทดสอบ:
- $\beta_2 - \beta_1 = 0$
- $\beta_3 - \beta_1 = 0$
- $\beta_3 - \beta_2 = 0$

เมทริกซ์การออกแบบสำหรับค่าเฉลี่ยกลุ่ม

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

เมทริกซ์คอนทราสต์

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

cm

            Contrasts
Levels       status
  ernegative     -1
  erpositive      1

การทดสอบการกำหนดพารามิเตอร์แบบค่าเฉลี่ยกลุ่ม

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

การกำหนดพารามิเตอร์ไม่เปลี่ยนผลลัพธ์

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

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

มาฝึกกันเถอะ!

การวิเคราะห์ Differential Expression ด้วย limma ใน R