在这篇文章中,我们描述了一个用于分析RNA-seq数据的edgeR - limma工作流程,使用基因水平计数作为输入,经过预处理和探索性数据处理,然后得到差异表达(DE)基因和基因表达特征(gene signatures)的列表。Glimma包(Su et al. 2017)提供的交互式图表可以同时呈现整体样本和单个基因水平的数据,使得我们相对静态的R图表而言,...
在这篇文章中,我们描述了一个用于分析RNA-seq数据的edgeR-limma工作流程,使用基因水平计数作为输入,经过预处理和探索性数据处理,然后得到差异表达(DE)基因和基因表达特征(gene signatures)的列表。Glimma包(Su et al. 2017)提供的交互式图表可以同时呈现整体样本和单个基因水平的数据,使得我们相对静态的R图表而言,可以...
简单且高效地分析RNA测序数据的能力是Bioconductor的核心优势。RNA-seq分析通常从基因水平的序列计数开始,涉及到数据预处理,探索性数据分析,差异表达检验以及通路分析,得到的结果可用于指导进一步实验和验证研究。在这篇工作流程文章中,我们通过分析来自小鼠乳腺的RNA
在这篇文章中,我们描述了一个用于分析RNA-seq数据的edgeR-limma工作流程,使用基因水平的计数(gene-level counts)作为输入,经过预处理和探索性数据分析,然后得到差异表达(DE)基因和基因表达特征(gene signatures)的列表。Glimma包(Su et al. 2017)提供的交互式图表可以同时呈现整体样本层面与单个基因层面的数据,相对静...
一、DESeq2、 edgeR、limma的使用 强烈建议查看官方说明书进行这三种差异分析的学习,链接在文章末尾给出。 注意,这三个包都需要输入counts进行分析,不能用tpm、fpkm等归一化后的数据。 正式分析前先进行目录设置、实验组和对照组的指定: rm(list = ls()) ...
我们的分析仅包含了此实验中的Healthy、HCC、CHC和CC样品,从sampleFiles可以看到,这些样品来自人的肝脏组织,可以提取不同的疾病表型,由于是不同时期取样,可以提取批次信息。 samplenames <- substring(colnames(x),31, nchar(colnames(x))) samplenames colnames(x) <- samplenames group <- as.factor(rep(c('...
在这篇文章中,我们描述了一个用于分析RNA-seq数据的edgeR - limma工作流程,使用基因水平计数作为输入,经过预处理和探索性数据处理,然后得到差异表达(DE)基因和基因表达特征(gene signatures)的列表。Glimma包(Su et al. 2017)提供的交互式图表可以同时呈现整体样本和单个基因水平的数据,使得我们相对静态的R图表而言,...
一、DESeq2、edgeR、limma的使用 强烈建议查看官方说明书进行这三种差异分析的学习,链接在文章末尾给出。 注意,这三个包都需要输入counts进行分析,不能用tpm、fpkm等归一化后的数据。 承接上节RNA-seq入门实战(三):在R里面整理表达量counts矩阵和RNA-seq入门实战(二):上游数据的比对计数——Hisat2+ featureCounts...
一、DESeq2、edgeR、limma的使用 强烈建议查看官方说明书进行这三种差异分析的学习,链接在文章末尾给出。 注意,这三个包都需要输入counts进行分析,不能用tpm、fpkm等归一化后的数据。 承接上节RNA-seq入门实战(三):在R里面整理表达量counts矩阵和RNA-seq入门实战(二):上游数据的比对计数——Hisat2+ featureCounts...
一、DESeq2、edgeR、limma的使用 强烈建议查看官方说明书进行这三种差异分析的学习,链接在文章末尾给出。 注意,这三个包都需要输入counts进行分析,不能用tpm、fpkm等归一化后的数据。 承接上节RNA-seq入门实战(三):在R里面整理表达量counts矩阵和RNA-seq入门实战(二):上游数据的比对计数——Hisat2+ featureCounts...