limmagydF4y2Ba权力的微分表达式分析RNA-sequencing和微阵列研究gydF4y2Ba

文摘gydF4y2Ba

limmagydF4y2Ba是一个R / Bioconductor软件包,提供了一个集成解决方案,从基因表达数据分析实验。它包含了丰富的功能来处理复杂的实验设计和信息借贷来克服小样本大小的问题。在过去的十年里,gydF4y2BalimmagydF4y2Ba一直是一个受欢迎的选择通过微分表达式分析微阵列基因发现和高通量PCR数据。包包含特别强烈的阅读设施,正常化和探索这些数据。最近,的功能gydF4y2BalimmagydF4y2Ba已经显著扩大两个重要方向。首先,包现在可以执行微分和微分表达式拼接RNA (RNA-seq)测序数据的分析。所有的下游分析工具以前局限于现在可供RNA-seq微阵列数据。这些功能允许用户分析RNA-seq和微阵列数据管道非常相似。第二,包现在可以过去传统gene-wise表达式分析以多种方式,分析基因表达谱的重新组或用高阶表达式签名。这为生物提供了增强的可能性的解释基因表达差异。本文评论的哲学和设计gydF4y2BalimmagydF4y2Ba计划,总结新和历史特性,重点是最近没有先前描述的增强和特性。gydF4y2Ba

介绍gydF4y2Ba

基因表达技术经常用于分子生物学研究获得一个转录活动的快照在不同的组织或细胞的数量。然后比较这些概要文件来识别与治疗条件或表型相关的基因表达变化。基因表达可能是随机设计实验研究一个生物系统的摄动,例如基因淘汰赛或通过应用指定的压力。这样的实验是在功能基因组学中最强大的工具,提供洞察正常细胞过程以及疾病发病机理。也可以观察性研究比较不同的表型,病变和正常组织或细胞不同的人群。这样的研究是常见的癌症研究和细胞的研究发展。在这两种情况下,研究设计的范围可以从简单的两组比较复杂的设置和几个实验因素在多个不同的水平。研究人员可能感兴趣例如是否一个特定基因促进或阻止特定药物的作用,在这种情况下,降低和野生型样品都有和没有药物治疗将异形。观察性研究可能涉及多个批处理效果和协变量,必须占在分析。gydF4y2Ba

尽管复杂,基因表达研究通常只涉及少量的生物复制。小而复杂的自然基因表达研究提出了具有挑战性的统计问题和激励的使用一些专门的统计技术,以充分利用每个数据集。我们已经开发了gydF4y2BalimmagydF4y2Ba过去十年软件提供一个框架,用于分析基因表达实验从头到尾在一个灵活的和严格的统计方法。gydF4y2Ba

的gydF4y2BalimmagydF4y2BaBioconductor的包是一个核心组件R-based开源软件开发项目统计基因组学(gydF4y2Ba1gydF4y2Ba,gydF4y2Ba2gydF4y2Ba)。这证明了一个受欢迎的选择从实验中数据的分析涉及微阵列(gydF4y2Ba3gydF4y2Ba,gydF4y2Ba4gydF4y2Ba)、高通量聚合酶链反应(PCR) (gydF4y2Ba5gydF4y2Ba),蛋白质阵列(gydF4y2Ba6gydF4y2Ba)和其他平台。包设计的方式,初始的预处理和标准化后,相同的管道是用于数据分析技术。gydF4y2Ba

最近,的功能gydF4y2BalimmagydF4y2Ba大幅扩张的两个重要方向。首先,包现在可以执行微分表达式(DE)和微分的RNA剪接分析测序(RNA-seq)数据(gydF4y2Ba7gydF4y2Ba,gydF4y2Ba8gydF4y2Ba)。所有的下游分析工具以前局限于现在可供RNA-seq微阵列数据。这些功能允许用户分析RNA-seq和微阵列数据管道非常相似。第二,包现在可以过去传统gene-wise表达式分析以多种方式,分析基因表达谱的重新组或高阶表达式的签名(gydF4y2Ba7gydF4y2Ba)。这为生物提供了增强的可能性的解释基因表达差异。gydF4y2Ba

本文评论的哲学和设计gydF4y2BalimmagydF4y2Ba计划,总结新和历史特性,重点是最近没有先前描述的增强和特性。本文概述了gydF4y2BalimmagydF4y2Ba的功能在每个基因表达分析的主要步骤,从数据导入、预处理、质量评估和标准化,通过线性造型,德和基因特征分析。gydF4y2Ba

材料和方法gydF4y2Ba

图gydF4y2Ba3gydF4y2Ba显示诊断图示例。面板(一个)显示了从Pickrell RNA-seq数据gydF4y2Ba等gydF4y2Ba。(gydF4y2Ba9gydF4y2Ba由法律)进行了分析描述gydF4y2Ba等gydF4y2Ba。(gydF4y2Ba10gydF4y2Ba)。面板(B)和(C)显示双色里奇提出的质量控制微阵列数据集gydF4y2Ba等gydF4y2Ba。(gydF4y2Ba11gydF4y2Ba)。面板(B)显示背景校正,但是从一个典型的非规范化强度必须执行哪些操作数组。面板(C)的一个子集产生30 print-tip黄土正常化之后控制阵列(gydF4y2Ba12gydF4y2Ba)。gydF4y2Ba

图gydF4y2Ba4gydF4y2Ba显示的例子总结情节。面板(A)和(B)生成使用双色从地理系列GSE2593微阵列数据。强度是背景校正和标准化(如前所述)(gydF4y2Ba13gydF4y2Ba)。面板(一个)显示了样本的比较与火山情节RUNX1 vegf与野生型样品,而面板(B)显示了差异表达探针的维恩图的三个vegf基因与野生型。探针与错误发现率小于0.05被认为是差异表达。面板(C)使用从地理系列GSE52870 RNA-seq数据。图5中描述的数据进行分析gydF4y2Ba等gydF4y2Ba。(gydF4y2Ba7gydF4y2Ba)。gydF4y2Ba

结果gydF4y2Ba

统计原则gydF4y2Ba

limmagydF4y2Ba集成了一个数量的统计原则的方式有效的大规模表达研究。它运行在一个矩阵表达式的值,每一行代表一个基因,或其他一些基因功能与当前的研究,每一列对应一个RNA样本。一方面,它适合每一行数据的线性模型,利用这些模型的灵活性以不同的方式,例如处理复杂的实验设计和测试非常灵活的假设。另一方面,它利用基因组数据的高度并行性质借用gene-wise模型之间的强度,允许不同级别之间的差异之间的基因和样本,并使统计结论更可靠当样品的数量很小。可以访问的所有特性的统计模型不仅对gene-wise表达式分析也为更高层次的分析基因表达的签名。图gydF4y2Ba1gydF4y2Ba描述了线性模型和强调了统计原则在一个典型的就业gydF4y2BalimmagydF4y2Ba分析。gydF4y2Ba

线性模型分析一起完成实验gydF4y2Ba

的标志gydF4y2BalimmagydF4y2Ba的方法是使用线性模型来分析整个实验作为一个整体而不是让piece-meal比较对治疗。这样品之间共享信息的影响。分析数据作为一个整体也允许我们之间可能存在的相关性模型样本由于重复措施或其他原因。这种分析将不可行的数据划分子集和分析一系列成对比较。gydF4y2Ba

线性模型允许非常一般的分析。研究人员可以调整多个实验因素的影响或者可以调整批处理效果。线性模型可能包括时间进程的影响或回归样条函数。线性模型甚至可能包括一个或多个基因的表达值本身作为协变量,允许研究人员测试inter-gene依赖性。线性模型允许研究人员测试非常灵活的假设,不只是简单的组间比较也相互影响或更复杂的定制的比较。gydF4y2Ba

共享全局参数链接gene-wise模型gydF4y2Ba

一个单独的模型是适合每个基因,但gene-wise模型可以通过全局参数或全局hyper-parameters有关。使用全局参数是一个简单的基因之间共享信息的方式,甚至可以用最小的实验,因为全球参数可以估计整个数据集包括所有的基因。这个策略允许gene-wise模型包含诸如重复同样的基因探针之间的相关性,或相关的RNA样本之间的相关性,RNA样本之间的质量差异。gydF4y2Ba

经验贝叶斯借用基因之间的信息gydF4y2Ba

基因表达实验本身的高度并行性质的一类统计方法,称为参数经验贝叶斯,借基因之间的信息在一个动态的方式(gydF4y2Ba14gydF4y2Ba,gydF4y2Ba15gydF4y2Ba)。相同的线性模型是安装在每个基因让我们借基因之间的强度以中剩余方差(gydF4y2Ba16gydF4y2Ba)。每个基因的估计方差变成gene-wise估计量之间的一种妥协,从数据获得,仅基因,和全球变化在所有基因,估计池所有基因的合奏。这增加的效果的有效自由度gene-wise方差估计。这是一个创新的gydF4y2BalimmagydF4y2Ba包显示确切的小样本推断可以使用经验贝叶斯后验方差进行估计(gydF4y2Ba16gydF4y2Ba)。这种方法已经被证明在试验样本量小,特别有利,确保推理是可靠和稳定的,即使复制的数量很小。gydF4y2Ba

近年来,经验贝叶斯手续gydF4y2BalimmagydF4y2Ba在两个重要方面得到了增强。首先,全球方差估计现在可以合并一个均值-方差的趋势(gydF4y2Ba10gydF4y2Ba,gydF4y2Ba17gydF4y2Ba,gydF4y2Ba18gydF4y2Ba)。这很重要,因为许多基因表达技术产生的数据不太可靠的低强度或丰度。第二,gene-wise和全球方差估计的相对权重不再需要对所有基因是相同的。这允许一个成熟健壮的经验贝叶斯过程hyper-variable基因分别确认和治疗(gydF4y2Ba18gydF4y2Ba,gydF4y2Ba19gydF4y2Ba)。这两种增强提高统计能力和精度通过改善全球的造型特征的数据以更灵活的方式。gydF4y2Ba

量化权重允许不平等质量gydF4y2Ba

另一个独特的特性gydF4y2BalimmagydF4y2Ba是能够量化权重纳入各级统计分析,从标准化到线性模型和基因测试。权重可以应用于基因RNA样本或单个表达式的值。权重可以用来提供更多强调控制探针在正常化,或者可以用来减轻体重测量样本中不可靠的基因表达分析。权重可以预设基于外部质量信息,或可能的估计表达式数据本身。重量增加的使用权力来检测差异表达基因,和基于模型的方法避免了需要gydF4y2Ba特别的gydF4y2Ba决定哪些观测或样品过滤掉(gydF4y2Ba11gydF4y2Ba)。gydF4y2Ba

RNA-seq和序列数据gydF4y2Ba

所有的下游分析的特点gydF4y2BalimmagydF4y2Ba可供RNA-seq和其他序列统计数据,以及来自微阵列和其他平台的数据。传统上,RNA-seq数据需要专门的软件基于负二项或相似的分布(gydF4y2Ba20.gydF4y2Ba)。gydF4y2BalimmagydF4y2Ba然而能够分析RNA-seq读计数精度高的转换计算对数尺度和均值-方差估计的经验(图的关系gydF4y2Ba3gydF4y2Ba)。均值-方差趋势是轰函数转换成精确的重量,纳入分析的对数转换RNA-seq计数使用微阵列的线性建模命令一样。由此产生的管道给类似的性能最好的负面binomial-based软件包,但更大的速度和可靠性为大型数据集(gydF4y2Ba10gydF4y2Ba,gydF4y2Ba21gydF4y2Ba)。此外,和方便,只需要最小的管道变化当切换RNA-seq和微阵列实验的分析gydF4y2BalimmagydF4y2Ba。这也意味着相同的统计测试具有相同格式的结果和图形显示的数据类型。gydF4y2Ba

方差模型允许不平等的变化gydF4y2Ba

表达式的值通常显示一定程度的异方差性,因为有一个丰度和测量精度之间的关系,或者因为一些治疗条件比其他人更不均匀。例如,肿瘤可能会比正常组织变量。关心这些影响促使一些研究者过滤掉低强度的观察或使用韦尔奇的gydF4y2BatgydF4y2Ba以及两组之间德而不是古典汇集gydF4y2BatgydF4y2Ba测试。使用加权和模型全局参数允许的能力gydF4y2BalimmagydF4y2Ba将不平等的差异在很多方面。方法之一是通过估计均值-方差的趋势,可以被纳入经验贝叶斯过程如上所述或用于生成观察权重(gydF4y2Ba10gydF4y2Ba)。最近的发展是与治疗组相关联的能力估计精度权重或与协变量任意给定的一组更普遍。更一般的,均值-方差趋势可以估计治疗的方式,结合上述两种类型的异方差性。这些方法允许gydF4y2BalimmagydF4y2Ba为实验模型甚至不平等的方差与少量的RNA样品。重要的是,他们适应不平等差异的前提下的线性模型和经验贝叶斯框架包。gydF4y2Ba

使用组基因签名代表高级表达式gydF4y2Ba

近年来,线性模型的能力gydF4y2BalimmagydF4y2Ba一直延伸到更高级的分析涉及重新组基因表达签名。想法是使用一组基因,连同他们的log-fold-changes,代表生物过程的转录签名或细胞类型。这是做的一种方法是旋转技术,它允许统计显著性测试集的基因对于任何线性模型对比(gydF4y2Ba55gydF4y2Ba)。特定的旋转特性测试是将先验信息的能力每个基因的方向和强度将导致统计签名。通过这种方式,gydF4y2BalimmagydF4y2Ba提供了一个独特灵活的手段将新的表达数据集与先前从早期的实验结果整理,考虑例如叠化和方向变化的每个基因在前面的实验。gydF4y2Ba

相关统计方法中实现gydF4y2BalimmagydF4y2Ba适合全球协方差模型,估计基因之间的相关性或估计DE概要文件之间的关系所产生的差异比较。这些新的分析在本文后面简要描述。gydF4y2Ba

预处理方法保存信息gydF4y2Ba

微阵列表达数据测量强度,需要背景校正和归一化之前可以进行统计分析。gydF4y2BalimmagydF4y2Ba包括一系列的背景校正和标准化程序适用于不同类型的DNA微阵列或蛋白质阵列。值得注意的是最大似然normal-exponential卷积模型的实现背景校正(gydF4y2Ba22gydF4y2Ba)和黄土曲线和规范化的实现使用量化权重。预处理步骤的指导原则是保持信息,避免遗漏值或膨胀的方差(gydF4y2Ba23gydF4y2Ba)。归一化强度从零偏移转换之前避免缺失值的对数尺度或大差异。偏移量的适度值可以实现一个有效的噪声和偏见之间的妥协(gydF4y2Ba24gydF4y2Ba)。gydF4y2Ba

平均差的情节gydF4y2Ba

测量表达式在多个RNA样品生产相关的表达式值的列,这是高度相关的,因为他们是在同一组基因或基因组的特性。它一直是建立在生物医学文献中相关变量之间的协议可以通过绘制差异和有用的检查手段。这样的情节被称为Bland-Altman情节(gydF4y2Ba25gydF4y2Ba)或图基平均差图(gydF4y2Ba26gydF4y2Ba)。事实上德的概念可以被视为一种测量相同的基因表达之间的分歧措施在不同的样本。平均差的阴谋被Dudoit引入双色微阵列文学gydF4y2Ba等gydF4y2Ba。(gydF4y2Ba27gydF4y2Ba)和单通道由Bolstad文学gydF4y2Ba等gydF4y2Ba。(gydF4y2Ba28gydF4y2Ba),他称之为MA-plots。gydF4y2BalimmagydF4y2Ba广义的概念MA-plot在两个方面。第一,想法是扩展到适用于单通道设置表达式的值。在这种情况下,情节比较每个样本用于所有其他样本的平均值。虚拟阵列是由平均的日志表达式值以外的所有的样品感兴趣的样品,然后平均差之间的情节是由单一的数组和虚拟数组。第二,这个想法是扩展到适用于拟合模型对象。在这种情况下,选择对比的情节比较log-fold-changes与平均每个基因在所有样本的日志表达式的值。实际上,这情节线性模型的系数和总体的意思是拦截参数。这些想法是最初的一部分gydF4y2BalimmagydF4y2Ba2003年计划提交给Bioconductor。gydF4y2Ba

参数化造型和排列方法gydF4y2Ba

值得一提的是什么gydF4y2BalimmagydF4y2Ba不做,这是排列或re-sampling-based推理。排列通常是有用的在大规模研究的目的是比较两组。然而排列有很多缺点,使其缺乏吸引力评估德与复杂的设计实验。如果排列是仅适用于样品参与两个治疗条件相比,那么通常小数量的复制是一个严重缺陷,将导致低功率检测的差异。如果排列应用于所有的样品在多因素实验,然后复合零假设测试是一个无趣的人,拒绝可能是高度依赖DE治疗之间的存在条件,并不是主要关心的。换句话说,排列不能调到测试特定兴趣的零假设设计实验。更重要的是,排列假设所有样本独立同分布在零假设下,经常和这些假设,通常可能是不现实的。此外,置换可能是误导的样本相关或不平等的精度。换句话说,排列无法适应屏蔽结构或质量权重。在小型、复杂的实验,所涉及的潜在妥协造型使用参数表达式值分布,永远不可能完全正确,抵消精密度和准确度的收益模型方差结构更实际。gydF4y2Ba

预处理RNA-seq和其他测序数据gydF4y2Ba

图gydF4y2Ba2gydF4y2Ba概述了可用的函数在每个阶段的基因表达分析。第一步是表达数据导入到R会话。gydF4y2Ba

limmagydF4y2Ba接受RNA-seq数据读取的形式的一个矩阵,对RNA基因组特性的行和列样本。或者它可以接受DGEList对象的gydF4y2Ba刨边机gydF4y2Ba包中。基因组区域通常是基因或外显子,但原则上可以任何感兴趣的基因特性。在这篇文章中,该地区通常被称为基因的简单术语。轰的处理读计数功能gydF4y2BalimmagydF4y2Ba将它们转化为日志gydF4y2Ba_2gydF4y2Ba计数每百万(logCPM)精密重量有关。logCPM值可以轰标准化样本之间的函数或可以通过添加pre-normalized标准化因素之内gydF4y2Ba刨边机gydF4y2Ba。gydF4y2Ba

原始读计数外面组装gydF4y2BalimmagydF4y2Ba使用工具,如featureCounts (gydF4y2Ba29日gydF4y2Ba),HTSeq-counts (gydF4y2Ba30.gydF4y2Ba)或RSEM (gydF4y2Ba31日gydF4y2Ba)。这篇文章的作者发现Subread (gydF4y2Ba32gydF4y2Ba)和featureCounts管道特别方便,因为它是快速、准确(gydF4y2Ba8gydF4y2Ba从R),可以运行提示使用gydF4y2BaRsubreadgydF4y2Ba包中。数据的输入gydF4y2BalimmagydF4y2Ba应计数,而不是受欢迎的表情总结如reads-per-kilobase-per-million (RPKM),所以呢gydF4y2BalimmagydF4y2Ba可以估算出相应的均值-方差的关系。轰的输出可以转化成RPKM值方便解释,减去log-gene-lengths,但这应该是跑轰而不是后完成的。gydF4y2Ba

后跑轰,下游分析RNA-seq数据是任何其他技术一样。例如,RNA-seq数据可以探索使用箱线图或平均差情节,类似于单通道微阵列数据。更多细节关于这个在以下部分中给出。gydF4y2Ba

预处理微阵列数据gydF4y2Ba

阅读或导入数据gydF4y2Ba

DNA或蛋白质微阵列,进口表达数据通常包括阅读图像分析程序创建的输出文件。另外,表达式值的数据帧可能读取一个文件或数据可能是直接进口作为一个R对象。gydF4y2Ba

主要的gydF4y2BalimmagydF4y2Baread.maimages函数来读取图像输出文件。这个函数直接支持的格式写的很多不同的图像分析程序包括GenePix,安捷伦特征提取,ArrayVision BlueFuse, ImaGene QuantArray和现货(表gydF4y2Ba1gydF4y2Ba)。它还支持斯坦福微阵列数据库格式。其他格式的输出可以阅读是否提供适当的列名称。双色和单通道数据都支持。Illumina公司BeadChips需要特殊待遇:输出Illumina公司GenomeStudio可以读的阅读。ilmn如果导出为文本文件或阅读。idat如果在二进制格式。gydF4y2Ba

标准微阵列数据格式处理gydF4y2BalimmagydF4y2Ba

探针注释自动读取如果包含在图像输出文件,或者可以单独阅读并添加到数据对象。readGAL支持GenePix基因阵列列表格式。阅读。maimages包括生成的能力点质量权重根据任何指定的规则基于图像输出文件中发现的任何信息。gydF4y2Ba

limmagydF4y2Ba包括许多可能使用或突出显示不同类型的控制探针。readSpotTypes功能和controlStatus提供方便分类探讨基于文本输入文件中找到。每个探测器的状态是自动进行适当的下游功能。gydF4y2Ba

阅读信息提供的函数readTargets RNA或样品gydF4y2Ba目标gydF4y2Ba。这些信息通常包括信息处理条件和实验设计。gydF4y2Ba

limmagydF4y2Ba可以接受从其他Bioconductor包包含表达数据的数据对象。它可以接受marrayNorm对象的gydF4y2BamarraygydF4y2Ba包,从PLMset对象gydF4y2BaaffyPLMgydF4y2Ba包,从vsn对象gydF4y2BavsngydF4y2Ba包或任何类的对象从ExpressionSet继承。另外,表达数据可以提供一个数字矩阵。表达式值可以图像强度或标准化日志表达式的值。gydF4y2Ba

背景校正gydF4y2Ba

数组中读取图像时,它通常阅读前景和背景强度为每一个调查。背景强度可以得到估计的环境强度影响每个探测。消除非特异性信号从前景每个探测器称为强度背景校正,它通常处理微阵列图像的第一步。只是从前台强度减去背景太过严厉的(gydF4y2Ba23gydF4y2Ba)。的gydF4y2BalimmagydF4y2BabackgroundCorrect函数提供了一系列更复杂的选择,最独特的包。这些包括一个方法基于正态分布的卷积(gydF4y2Ba33gydF4y2Ba)和normal-exponential (gydF4y2BanormexpgydF4y2Ba)卷积(gydF4y2Ba23gydF4y2Ba),不同的选项参数估计(gydF4y2Ba22gydF4y2Ba)。plotFB函数块前景与背景强度为每个数组,为选择一个合适的校正方法是有用的。gydF4y2Ba

Illumina公司数组又受益于特殊待遇。nec函数实现normexp背景校正Illumina公司BeadChips控制探针的特殊使用特定于这些数组(gydF4y2Ba24gydF4y2Ba)。gydF4y2Ba

propexpr函数比较强度的负控制探测器估计探测器的总比例在每个数组对应表达基因(gydF4y2Ba34gydF4y2Ba)。这提供了一个估计每个样本中转录组的大小和有用的决定有多少调查从下游分析滤波器。gydF4y2Ba

归一化gydF4y2Ba

之间有意义的比较可以治疗前在设计实验条件,关键是表达式值归一化,这样所有的样品都在尽可能相同的测量尺度。标准化的目的是消除系统的影响由于技术差异分析与感兴趣的生理差异无关。不同的技术平台上引入不同的偏见,所以需要不同的归一化方法。normalizeWithinArrays函数可实现双色微阵列的数据通过调整每个数组的两个渠道。一个流行的方法是删除intensity-dependent dye-biases和空间的文物gydF4y2Ba米gydF4y2Ba使用局部加权回归值(log-intensity比率)(黄土)(gydF4y2Ba35gydF4y2Ba)。normalizeBetweenArrays函数将表达式值样本之间一种颜色微阵列和其他单通道平台使用分位数等方法标准化或循环黄土(gydF4y2Ba28gydF4y2Ba)。这两个函数提供一系列不同的归一化方法适用于不同的平台。normalizeBetweenArrays还实现了独立的渠道规范化方法双色数组(gydF4y2Ba36gydF4y2Ba,gydF4y2Ba37gydF4y2Ba)。gydF4y2BalimmagydF4y2Ba是唯一的软件允许使用量化权重在黄土正常化(gydF4y2Ba38gydF4y2Ba),使它能够downweigh不可靠探测或给更高的优先级控制探针或辅助基因。后者的能力已经利用了正常化化验时可能的差异表达基因的比例高,例如精品数组(gydF4y2Ba39gydF4y2Ba),microrna的数组(gydF4y2Ba40gydF4y2Ba)、PCR数组、蛋白质阵列或蛋白质质谱分析。其他增强功能包括能够取代黄土曲线的样条曲线具有高鲁棒性击穿特性,并且能够应用经验贝叶斯适度为多个区域的样条曲线在同一数组(robust-spline标准化)。gydF4y2Ba

neqc函数实现了分位数Illumina公司BeadChips使特殊使用的标准化控制探测特定于这些数组(gydF4y2Ba24gydF4y2Ba)。gydF4y2Ba

所有between-arrays RNA-seq数据的归一化方法可从内部轰函数。另外,轰能够尊重标准化计算之外的因素gydF4y2BalimmagydF4y2Ba通过削减均值等方法gydF4y2Ba米gydF4y2Ba值(gydF4y2Ba41gydF4y2Ba)或条件分位数正常化(gydF4y2Ba42gydF4y2Ba)。gydF4y2Ba

图形化的探索数据质量gydF4y2Ba

诊断情节允许用户视觉检查设计实验数据以识别潜在的质量问题,如退化的样本,或出现问题,由于数组处理或样品处理。这样的显示也可以揭示系统的偏见,应该删除之前下游分析。图gydF4y2Ba3gydF4y2Ba提出了从三个不同的绘图函数例子。gydF4y2Ba

情节单个阵列包括上述foreground-background情节(plotFG),图像块,可以揭示跨阵列表面不一致(gydF4y2Ba

imageplot)和平均差的情节显示intensity-dependent log-ratios趋势的双色数组(plotMA,图gydF4y2Ba3 bgydF4y2Ba)。plotMA函数可以显示类似的情节为单通道数据。在这种情况下,平均差情节是由比较的日志表达式值样本与所有其他样本的均值。plotMA功能使它简单的强调特定子集的探针或基因,例如控制探针。控制探测器会自动突出显示如果他们以前被确认使用controlStatus(图gydF4y2Ba3 bgydF4y2Ba)。gydF4y2Ba

表达式值的分布可以比较样本之间使用盒子情节或密度图(plotDensities)。后者是特别有用的在考虑单独通道分析双色数组。gydF4y2Ba

寻找差异表达基因gydF4y2Ba

探索样本之间的关系gydF4y2Ba

上述预处理步骤之后,下一个主要分析阶段是确定差异表达基因。建议开始DE分析情节,可视化之间的相对差异转录剖面样品。plotMDS函数使用多维定标情节差异表达谱在不同样品(图gydF4y2Ba3 cgydF4y2Ba)。样本之间的距离在情节代表“领先的褶皱变化”,这是定义为均方根平均log-fold-changes的基因最好的区分每一对样品。这提供了一种无监督聚类的样本。是有用的检查有不同的概要文件是由不同的实验因素和出意想不到的模式,比如批效果,应调整在线性模型分析。这有助于指导设计矩阵用于建设下面的直线造型。gydF4y2Ba

plotRLDF函数提供了一个监督样品的情节显示表达数据是否可以区分一组已知的组。这个函数实现了线性判别函数的正则化版本。gydF4y2Ba

removeBatchEffect函数可以用来删除系统的变化由于批次或共策划前数据,这样可以更好的看到治疗的效果。gydF4y2Ba

直线造型gydF4y2Ba

的核心组件gydF4y2BalimmagydF4y2Ba包是能够适合gene-wise基因表达数据的线性模型,以评估德(gydF4y2Ba16gydF4y2Ba)。基本思想是估计log-ratios(双通道数据)或log-intensities(用于单通道数据)之间的两个或两个以上的目标同时RNA样本。gydF4y2Ba

每个分析始于一个矩阵的表达水平,与探针/基因外显子行和不同样本(生物/技术复制)的列。线性造型时尚一点的行操作执行,回归系数和标准错误直接估计比较感兴趣的或通过对比。测试统计数据获得了基因排序,可以进一步总结在基因水平设置为执行签名/ pathway-level排名。gydF4y2Ba

直线造型的灵活性允许处理几乎所有的实验设计方法。实验与两个或两个以上的团体,阶乘和时间进程设计,内部控制如dye-swaps都可以模仿和总结使用lmFit函数。在适当的地方,讨厌的变量如批处理和染色效果也可以模仿。模型可以满足强劲或最小二乘法。一次线性模型拟合,makeContrasts函数可以用来形成一个对比矩阵。拟合模型对象和对比矩阵使用对比。适合计算日志gydF4y2Ba_2gydF4y2Ba-fold-changes和gydF4y2BatgydF4y2Ba感兴趣的数据的对比。这允许所有可能的成对比较治疗。gydF4y2Ba

plotSA函数提供了一个有用的诊断的情节线性模型,绘制gene-wise剩余标准差与平均日志表达式。这允许均值-方差趋势很容易识别,他们应该存在。gydF4y2Ba

品质重量和异方差性gydF4y2Ba

limmagydF4y2Ba是唯一的方案,允许将质量变化通过量化权重处理毕业的方式。observation-level (gydF4y2Ba2gydF4y2Ba,gydF4y2Ba10gydF4y2Ba,gydF4y2Ba43gydF4y2Ba)和sample-specific重量(gydF4y2Ba11gydF4y2Ba)可用于分析。微阵列数据,arrayWeights函数数组相对方差估计转化为权重,可以应用于不可靠的线性模型分析来减轻体重观察数组。探针和数组权重可以轻松乘以相结合在一起,使用得当的话,已经被证明是提高功率检测德(gydF4y2Ba11gydF4y2Ba,gydF4y2Ba43gydF4y2Ba)。gydF4y2Ba

RNA-seq数据,voomWithQualityWeights函数结合observation-level和sample-specific权重用于随后的线性模型。gydF4y2Ba

阻塞和随机效应gydF4y2Ba

limmagydF4y2Ba包括一个独特的策略,结合观测或样本可能相关的事实。策略类似于合适的随机效应模型,与区别,所有的基因都是限制共享相同的intrablock相关性。duplicateCorrelation函数是用来估计相关的共识。然后纳入相关结构的线性模型,因此适合所有测试DE。最初的想法是用来估计之间的关系相同的复制副本探针微阵列(gydF4y2Ba44gydF4y2Ba)。相关策略保留更多的信息比简单的平均探针拷贝复制。更普遍的是,同样的想法还用于模型相关的RNA样本之间的相关性,例如重复措施在同一个人或RNA样品同时收集。gydF4y2Ba

独立的通道双色微阵列分析gydF4y2Ba

双色微阵列是传统分析的log-ratios两个渠道之间的杂交探针。gydF4y2BalimmagydF4y2Ba还提供了分析双色微阵列的可能性就像单通道与两个独立样本杂化微阵列,每个物理阵列。这提供了一种非常强大的分析微阵列之间的强度可以直接比较。红色和绿色通道的配对从每个数组记录的估计之间的相关性两个渠道每个探测器(杂化gydF4y2Ba37gydF4y2Ba)。这种类型的独立通道分析使用intraspotCorrelation和lmscFit功能。gydF4y2Ba

所有的线性模型,是否使用lmFit或lmscFit,产生一个拟合模型对象具有相同的结构。相同的拟合模型适用于无论相关性估计,是否稳健回归最小二乘一直使用,质量还是重量都包括在内。这种一致性允许同一框架DE用于实验设计和技术平台。gydF4y2Ba

测试DEgydF4y2Ba

一个经验贝叶斯框架借用基因当估计方差之间的信息是在ebay函数实现的。Gene-wise方差被挤向共同或趋势方差,从而减少假阳性的数量的基因非常小的差异,提高功率检测DE基因差异较大。gydF4y2BalimmagydF4y2Ba包括一个robustified收缩战略,允许gene-wise收缩因素估计(gydF4y2Ba18gydF4y2Ba)。这样可以确保异常巨大差异不是挤压过度,减少的机会,他们将出现显著,而更加一致表达基因被挤向共同的方差更严重。这种强劲的策略提供了收缩的大部分基因的好处,同时否定异常值的影响。gydF4y2Ba

对于每个系数线性模型或对比,经验贝叶斯主持gydF4y2BatgydF4y2Ba统计数据及其相关gydF4y2BaPgydF4y2Ba值通常用来评估观察的意义表达的变化。gydF4y2BaTgydF4y2Ba统计数据也可以转化为贝叶斯log-odds DE。主持gydF4y2BaFgydF4y2Ba统计数据,结合gydF4y2BatgydF4y2Ba统计所有对比到全面测试的意义对于每个基因也可以使用。gydF4y2Ba

当一个特定的截止log-fold-change,治疗功能可用于测试日志gydF4y2Ba_2gydF4y2Ba叠化大于一个阈值,而不仅仅是不同于零(gydF4y2Ba45gydF4y2Ba)。这可以有效的优先级生物以及统计上显著的结果。gydF4y2Ba

limmagydF4y2Ba提供了许多选项来调整测试多个测试。用户可以控制family-wise I型错误率或错误发现率(gydF4y2Ba46gydF4y2Ba)。以及通常的控制多个测试多个基因,gydF4y2BalimmagydF4y2Ba是唯一的软件包提供的方法错误率控制在多个同时对比和基因。个人测试,多个测试使用topTable函数可以应用。decideTests函数给出了获得全方位的选项。gydF4y2Ba

可视化的结果为单个或多个DE分析对比,gydF4y2BalimmagydF4y2Ba提供了大量的绘图选项。图gydF4y2Ba4gydF4y2Ba显示了三个这样的显示:火山情节展示DE结果从一个条件,维恩图显示在多个实验条件的差异表达基因的数量和条码浓缩情节强调一个特定基因签名在主持DE分析排名gydF4y2BatgydF4y2Ba统计数据。gydF4y2Ba

plotMA产生的另一个有用的情节,情节估计log-fold-changes对每个基因意味着日志表达式。这允许的大小更改可视化在整体环境中表达水平;看到刘的例如图5 cgydF4y2Ba等gydF4y2Ba。(gydF4y2Ba7gydF4y2Ba)。gydF4y2Ba

测试微分拼接gydF4y2Ba

的线性模型框架gydF4y2BalimmagydF4y2Ba扩展测试很容易微分剪接事件当exon-level表达数据是可用的。数据可以从一个外显子芯片或从RNA-seq数据总结外显子级别的。在这两种情况下,这种方法是基于拟合线性模型exon-level表达数据。连续的方法可以与微分外显子的使用以及分类预测或任何线性模型的对比。测试是由diffSplice函数和结果显示使用plotSplice和topSplice。plotExons函数也是有用的探索为单个基因外显子表达式。这种方法速度大大快于替代微分方法拼接,使大规模的调查微分外显子使用可行的。gydF4y2Ba

高级分析gydF4y2Ba

基因表达数据的线性建模提供了理想的平台的攻击更大功能基因组相关问题gene-wise独立或相互作用,分解成不同的分子途径的基因签名。本节描述高级分析涉及多个基因。gydF4y2Ba

估计真正的零假设的比例gydF4y2Ba

首先,我们考虑从基因的角度来看。DE分析描述到目前为止确定个人根据罗斯福准则的差异表达基因。然而,对于大多数研究,可能存在假阴性:真的没有发现差异表达基因差异表达,因为这项研究没有足够的统计能力来识别他们的信心。gydF4y2Ba

propTrueNull函数估计的真正差异表达的基因数量仍有待确定。在数学上,它估计真正的零假设的比例假说测试给一个向量的集合gydF4y2BaPgydF4y2Ba值。在基因表达的研究,估计non-differentially表达基因的比例,所有测试,对于任何线性模型的对比。函数实现了许多不同的方法估算真正null的比例,从快速而简单的计算要求。默认是基于平均当地的错误发现率gydF4y2BaPgydF4y2Ba值(gydF4y2Ba19gydF4y2Ba)。其他方法的直方图方法(gydF4y2Ba48gydF4y2Ba,gydF4y2Ba49gydF4y2Ba),凸减少密度的估计(gydF4y2Ba50gydF4y2Ba)和一个非常简单的估计基于平均gydF4y2BaPgydF4y2Ba值。gydF4y2Ba

真正的基因表达谱协会gydF4y2Ba

基因表达实验通常涉及许多不同的治疗条件。一个经常出现的问题是:在多大程度上做两个不同的治疗产生相似或不同的表达谱吗?解决这个问题的一个方法是计算两治疗差异表达基因重叠,如图4所示。然而这种方法通常是太粗糙了。意义是非常敏感的截止用于识别差异表达基因,几乎没有成功的机会在权力的情况下的差异表达基因检测是相对较低,受技术偏见当治疗都比较回到相同的控制样本。看着函数(gydF4y2Ba19gydF4y2Ba)解决这些问题。测试是否一个线性模型中两个不同的对比影响相似或不同的相同的基因,调整了偏见,而不需要一个意义截止申请评估德。更多的从技术上讲,它估计真实的生物之间的相关日志gydF4y2Ba_2gydF4y2Ba-fold-changes两个不同的对比。通过生物相关性,我们的意思是log-fold-changes之间存在的相关性,如果他们可以度量完全没有任何统计误差。看着是基于二元经验贝叶斯模型的泛化,是用来评估gydF4y2BalimmagydF4y2Ba。这个方法是特别强大的基因通路影响的一般的洞察变化很小但一致。例如,应用微阵列研究看着看着polycomb抑制因子之间的关系复杂(PRC) 1和PRC2促进发现对方的角色这两个配合物(gydF4y2Ba51gydF4y2Ba)。这种关系会错过如果分析限制在统计上显著的基因从每个单独对比。gydF4y2Ba

基因集测试gydF4y2Ba

基因集合分析评估粘住的整体意义的一组基因。每个基因集选择代表一个特定的分子途径或其他感兴趣的生物过程。基因集是由基因注释当前外部表达研究,例如从数据库基因本体论(去)(gydF4y2Ba52gydF4y2Ba)或从之前的表达研究。基因集定义为先前的研究,可以被注释的基因表达变化的方向和大小在前面的实验。通过这种方式,一套基因可能包含基因正面和负面与它所代表的分子通路有关。gydF4y2Ba

limmagydF4y2Ba包含一组基因的选择范围测试通过goana geneSetTest、相机、烤和罗默功能。goana函数提供了一个传统的重叠分析但添加调整能力的基因长度或丰富的偏见在RNA-seq检测。goana使用广义超几何测试来测试浓缩的术语列表中的差异表达基因(gydF4y2Ba53gydF4y2Ba)。它是直接在自动拟合模型对象和提取差异表达基因。gydF4y2Ba

与goana不同,其他基因设置选项不需要意义阈值应用到识别差异表达基因。最简单的方法是实现geneSetTest和wilcoxGST功能,执行rank-based测试(gydF4y2Ba13gydF4y2Ba)。这些测试评估是否指定的一组基因更高排名的有序列表比预计将所有基因的机会。这些测试已经发现给生物重要途径的有效排名(gydF4y2Ba54gydF4y2Ba),但是他们隐式地假定每一个基因的表达水平是有条件地独立于其他基因,因此给乐观gydF4y2BaPgydF4y2Ba值(gydF4y2Ba55gydF4y2Ba)。gydF4y2Ba

更复杂的竞争测试考虑依赖的基因之间的线性建模框架中实现相机功能(gydF4y2Ba56gydF4y2Ba)。从inter-gene相机计算方差膨胀因子相关性和使用这种调整汇总统计数据的方差。这避免了乐观gydF4y2BaPgydF4y2Ba值的测试结果,但也减少了统计能力。相机已经成功地应用在许多生物医学项目(gydF4y2Ba57gydF4y2Ba)。gydF4y2Ba

烤和mroast函数实现一个自包含的测试是否有指定的有价值的子集组差异表达基因(gydF4y2Ba55gydF4y2Ba)。这些函数使用旋转测试,专门为多元正态模型模拟技术(gydF4y2Ba58gydF4y2Ba)。旋转可以看作是一个平滑的排列版本适用于线性模型。旋转只发生在剩余空间的线性模型的方式以外的任何线性模型中系数的对比测试保持不变(gydF4y2Ba55gydF4y2Ba,gydF4y2Ba58gydF4y2Ba)。烤可以提供良好的统计力量小复杂基因表达实验。烤的基因测试,有独特的能力考虑定向基因注释信息。它能够适应基因正面和负面关联到一个指定的路径,以及每个基因的变化的大小。因此特别适合不同表情之间找到相似的基因表达模式研究(gydF4y2Ba57gydF4y2Ba,gydF4y2Ba59 - 61gydF4y2Ba)(图gydF4y2Ba4摄氏度gydF4y2Ba)。烤其他潜在应用包括那些可能不是由基因集,例如exon-level表达式分析一个给定的测试是否有外显子基因差异表达。gydF4y2Ba

基因集富集分析(GSEA)是一个大型数据库相关的方法重新基因集对微阵列或RNA-seq数据集(gydF4y2Ba62年gydF4y2Ba,gydF4y2Ba63年gydF4y2Ba)。GSEA是一个折中方案:在竞争中不同彼此对抗,但是意义是评估样品标签的排列。罗默的功能gydF4y2BalimmagydF4y2Ba实现一个GSEA方法是基于旋转而不是排列。如相机和mroast,它可以用于电池的基因集和任何线性模型。的gydF4y2BalimmagydF4y2Ba作者维护老鼠和人类版本的分子特征数据库集合(gydF4y2Ba64年gydF4y2BaR二进制格式)中,可以方便地使用相机,mroast或罗默(gydF4y2Bahttp://bioinf.wehi.edu.au/software/MSigDBgydF4y2Ba)。gydF4y2Ba

基因集的使用要求基因符号和注释之间匹配不同的数据库和研究。基因符号随时间变化,所以gydF4y2BalimmagydF4y2Ba包括alias2Symbol和alias2SymbolTable功能基因符号别名映射到当前官方基因符号。id2indices函数匹配的基因标识符的集合基因集的矩阵表达式,适合的格式输入相机,mroast或罗默。gydF4y2Ba

一组基因测试可以使用barcodeplot函数(图可视化gydF4y2Ba4摄氏度gydF4y2Ba)。基因是排名根据他们DE结果在当前的研究中,基因的gydF4y2Ba先天的gydF4y2Ba集中凸显了垂直酒吧、平滑显示的相对富集基因在高和低排名的基因。Barcodeplot类似于情节萨勃拉曼尼亚提出的设置位置gydF4y2Ba等gydF4y2Ba。(gydF4y2Ba63年gydF4y2Ba),与一些增强,特别是能够将基因与之前积极的和消极的方向。Barcodeplot可以显示不同的权重不同的基因,例如log-fold-changes从先前的实验。gydF4y2Ba

用户界面gydF4y2Ba

面向对象编程gydF4y2Ba

一个简单但合适的面向对象范型为用户提供一个一致的分析界面,很容易从用户的观点。许多gydF4y2BalimmagydF4y2Ba功能是通用的或适当的操作对象的不同的类。gydF4y2BalimmagydF4y2Ba定义了大量的类,根据处理芯片和RNA-seq数据。哲学一直是定义简单的基于列表的数据对象,用户可以很容易地探索和操作,熟悉的风格一样,长期以来在R lm和glm等核心功能。gydF4y2Ba

原始强度数据的类“RGList”和“EListRaw”是用来存储双色和单通道数据,分别。这些对象通常是使用函数创建的阅读。maimages图像分析,包含原始值输出文件连同探测注释信息。gydF4y2Ba

规范化数据存储在“MAList”或“EList”对象。规范化的双色数据转换从红色和绿色的强度,gydF4y2BaRgydF4y2Ba和gydF4y2BaGgydF4y2Ba,进入gydF4y2Ba米gydF4y2Ba和gydF4y2Ba一个gydF4y2Ba值,保持log-ratio和平均每个点log-intensity值。单通道数据背景校正和日志gydF4y2Ba_2gydF4y2Ba转换并存储在一个“EList”对象。对于RNA-seq数据,轰转换矩阵的基因/外显子数也存储在一个“EList”对象。gydF4y2Ba

下一个主要类存储输出DE分析。“MArrayLM”对象存储的结果拟合gene-wise线性模型的归一化强度或log-ratios。这个类的对象是由lmFit和ebay的功能。运行decideTests后,一个对象类的检测结果的存储测试一组对比的结果等于零为每个探针/基因。gydF4y2Ba

所有这些数据类服从许多类比矩阵。在‘RGList’,‘MAList’,‘EListRaw’和‘EList’,行对应于探针/基因和列不同的样品。对于“MarrayLM”和“检测结果”行对应于独特的基因探针/和列线性模型系数或对比。标准的R功能概要,昏暗的、长度、ncol, nrow, dimnames rownames, colnames方法为每个这些类。这些类的对象也可能子集。多个数据对象可能是通过行添加额外的调查相结合,或通过列添加额外的数组。gydF4y2Ba

而且所有这些类可能强迫类矩阵的使用。矩阵,尽管这需要信息丢失。拟合模型对象的类“MArrayLM”可以强迫类data.frame使用as.data.frame r .前五类属于虚拟类定义了“LargeDataObject”显示的方法显示一个大的主要行向量,矩阵或data.frame。gydF4y2Ba

计算效率gydF4y2Ba

的gydF4y2BalimmagydF4y2Ba包主要实现在R (gydF4y2Ba65年gydF4y2Ba),包括一些C代码,加快计算密集型步骤。在每一个阶段,已费尽心思来实现数值的可靠性和效率高。是线性的内存需求数量的基因和样本的数量。大多数估计过程在几秒钟完成一个标准的台式电脑,几乎所有在不到一分钟。gydF4y2Ba

可用性gydF4y2Ba

的gydF4y2BalimmagydF4y2Ba软件是免费的在线的一部分Bioconductor项目(gydF4y2Bahttp://www.bioconductor.orggydF4y2Ba)。其他120多Bioconductor包使用gydF4y2BalimmagydF4y2Ba(截止2014年3月)。的gydF4y2BalimmagydF4y2Ba包被用作构建块或作为底层计算引擎的软件项目旨在为基因表达数据分析包括提供用户界面gydF4y2BalimmaGUIgydF4y2Ba(gydF4y2Ba66年gydF4y2Ba),gydF4y2BaaffylmGUIgydF4y2Ba(gydF4y2Ba67年gydF4y2Ba),WebArray (gydF4y2Ba68年gydF4y2Ba)、竞赛(gydF4y2Ba69年gydF4y2Ba),CarmaWEB (gydF4y2Ba70年gydF4y2Ba),Goulphar (gydF4y2Ba71年gydF4y2Ba)、岩浆(gydF4y2Ba72年gydF4y2Ba)、阿斯忒瑞亚(gydF4y2Ba73年gydF4y2Ba),GenePattern (gydF4y2Ba74年gydF4y2Ba),GEO2R (gydF4y2Bahttp://www.ncbi.nlm.nih.gov/geo/geo2rgydF4y2Ba)、EBI表达阿特拉斯(gydF4y2Ba75年gydF4y2Ba),指南(gydF4y2Ba76年gydF4y2Ba和品尝gydF4y2Bahttp://www.vicbioinformatics.com/degustgydF4y2Ba)。gydF4y2Ba

文档gydF4y2Ba

的gydF4y2BalimmagydF4y2Ba包提供了三个级别的文档。首先,每个函数都有自己的文档页面,简洁但完全指定输入数据,选择和函数的输出格式。类似地,每个数据类有一个文档页面解释所有的必需和可选组件对象的类。是小心遵守相同的标准和风格,用户将从帮助熟悉页面底部R包。gydF4y2Ba

第二,一系列的更一般的主题帮助页面服务链接在一起用于相关的函数和类。主题页封面的主题(i)介绍,(ii)类,(iii)读取数据,(iv)背景校正,(v)正常化,(vi)线性模型,(七)双色的个人频道分析数据,(八)线性模型假设检验,(ix)诊断和质量评估,(x)基因测试和设置(xi) RNA-seq。gydF4y2Ba

第三,包提供了一个广泛的超过120页的用户指南,可以从下拉菜单中在Windows或者limmaUsersGuide发起的命令。用户指南提出了详细的建议关于如何分析各种常见的研究设计。它还包括10完全工作的案例研究提供完整的数据和代码。gydF4y2Ba

用户需要更多的帮助或建议被邀请提问Bioconductor支持网站(gydF4y2Bahttps://support.bioconductor.orggydF4y2Ba)。通常很快就能回答问题,通过作者或Bioconductor社区的其他成员。支持网站档案许多常见问题的答案,包括许多查询关于实验设计和设置适当的设计矩阵。gydF4y2Ba

讨论gydF4y2Ba

本文总结了当前广泛使用的特点,开源的gydF4y2BalimmagydF4y2Ba包用于基因表达分析。该软件提供了一个集成的数据分析解决方案,使用先进的计算算法在大型数据集提供可靠的性能和面向对象思想代表表达数据和简化的用户界面。新功能不断被作为模型改进和添加新的用例出现。gydF4y2Ba

虽然最初开发与微阵列数据,轰的发展方法解锁的大多数分析方法用于RNA-seq数据,如随机效应模型和基因测试。与任何数据分析问题,适当的结合使用的方法取决于生物的问题,平台使用(微阵列/ RNA-seq)和实验设计。gydF4y2Ba

R-based的报道gydF4y2BalimmagydF4y2Ba分析可以使用Sweave编译(gydF4y2Ba77年gydF4y2Ba)或gydF4y2BaknitrgydF4y2Ba(gydF4y2Ba78年gydF4y2Ba)提供的原始数据和纲要,以促进可再生的基因组学研究(gydF4y2Ba79年gydF4y2Ba)。gydF4y2Ba

的应用gydF4y2BalimmagydF4y2Ba的线性建模策略之外的目的基因表达数据的分析已经在各种各样的应用程序,包括从核磁共振光谱分析数据,聚合酶链反应(包括Nanostring),定量蛋白质组学(gydF4y2Ba80年gydF4y2Ba)、DNA甲基化数组和比较ChIP-seq (gydF4y2Ba81年gydF4y2Ba)。gydF4y2Ba

随着收集成本的全基因组资料继续下跌,我们预计这种方法继续增长的流行,与新应用单细胞基因表达数据的分析,CRISPR / Cas9淘汰赛屏幕和甲基化分析(gydF4y2Ba82年gydF4y2Ba)。gydF4y2Ba

我们感谢我们的同事积极参与gydF4y2BalimmagydF4y2Ba项目多年来,包括詹姆斯•Wettenhall杰里米银、戴维斯麦卡锡,娜塔莉·索恩,亚伦Lun,艾丽西亚Oshlack,杨廖,肯•辛普森Yunshun陈和卡洛琳格拉夫。RGList的基本设计和MAList类双色微阵列是基于类似的对象定义的gydF4y2BasmagydF4y2Ba包由Yee-Hwa (Jean)。的gydF4y2BalimmagydF4y2Ba包已经受益于许多其他的人,太多的名单,他建议,报告bug或贡献代码。gydF4y2Ba

资金gydF4y2Ba

国家卫生和医学研究委员会(NHMRC)项目给予M.E.R. [1050661G.K.S.;1023454,G.K.S.,M.E.R.,至此]; NHMRC Program Grant [1054618 to G.K.S.]; Victorian State Government Operational Infrastructure Support and Australian Government NHMRC IRIISS. Funding for open access charge: NHMRC Program Grant 1054618.

利益冲突声明gydF4y2Ba。没有宣布。gydF4y2Ba

引用gydF4y2Ba