Моделювання даних

Аналіз диференційної експресії з limma в R

John Blischak

Instructor

Готові до аналізу

# 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")

Кроки аналізу диференційної експресії

Побудуйте матрицю дизайну за допомогою model.matrix
Створіть матрицю контрастів за допомогою makeContrasts
Перевірте контрасти за допомогою lmFit, contrasts.fit і eBayes

Модель середніх по групах для дослідження доксорубіцину

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

$\beta_1$ — середній рівень експресії у мишей top2b, оброблених dox
$\beta_2$ — середній рівень експресії у top2b, оброблених pbs
$\beta_3$ — середній рівень експресії у мишей wt, оброблених dox
$\beta_4$ — середній рівень експресії у мишей wt, оброблених pbs

Контрасти для дослідження доксорубіцину

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

Тестування в дослідженні доксорубіцину

Оцініть коефіцієнти моделі за допомогою lmFit
Застосуйте контрасти за допомогою contrasts.fit
Обчисліть t-статистики за допомогою eBayes

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

# Create a Venn diagram
vennDiagram(results)

Давайте потренуємось!

Аналіз диференційної експресії з limma в R