Drei Differentielle Expressionsanalysemethoden für die RNA-Sequenzierung: limma, EdgeR, DESeq2

Zusammenfassung

Ein detailliertes Protokoll der methoden der differentiellen Expressionsanalyse für die RNA-Sequenzierung wurde bereitgestellt: limma, EdgeR, DESeq2.

Zusammenfassung

Die RNA-Sequenzierung (RNA-seq) ist eine der am weitesten verbreiteten Technologien in der Transkriptomik, da sie den Zusammenhang zwischen der genetischen Veränderung und komplexen biologischen Prozessen aufdecken kann und einen großen Wert in der Diagnostik, Prognose und Therapeutik von Tumoren hat. Die Differentialanalyse von RNA-seq-Daten ist entscheidend, um aberrante Transkriptionen zu identifizieren, und limma, EdgeR und DESeq2 sind effiziente Werkzeuge für die Differentialanalyse. Die RNA-seq-Differentialanalyse erfordert jedoch bestimmte Fähigkeiten mit der Sprache R und die Fähigkeit, eine geeignete Methode zu wählen, die im Lehrplan der medizinischen Ausbildung fehlt.

Hierin stellen wir das detaillierte Protokoll zur Identifizierung differentiell exprimierter Gene (DEGs) zwischen Cholangiokarzinom (CHOL) und normalem Gewebe durch Limma, DESeq2 bzw. EdgeR zur Verfügung, und die Ergebnisse werden in Vulkandiagrammen und Venn-Diagrammen gezeigt. Die drei Protokolle limma, DESeq2 und EdgeR sind ähnlich, haben aber unterschiedliche Schritte zwischen den Prozessen der Analyse. Beispielsweise wird ein lineares Modell für die Statistik in Limma verwendet, während die negative Binomialverteilung in edgeR und DESeq2 verwendet wird. Darüber hinaus sind die normalisierten RNA-Seq-Zähldaten für EdgeR und Limma notwendig, aber nicht für DESeq2.

Hier stellen wir ein detailliertes Protokoll für drei Differentialanalysemethoden zur Verfügung: limma, EdgeR und DESeq2. Die Ergebnisse der drei Methoden überschneiden sich teilweise. Alle drei Methoden haben ihre eigenen Vorteile, und die Wahl der Methode hängt nur von den Daten ab.

Einleitung

Die RNA-Sequenzierung (RNA-seq) ist eine der am weitesten verbreiteten Technologien in der Transkriptomik mit vielen Vorteilen (z. B. hohe Datenreproduzierbarkeit) und hat unser Verständnis der Funktionen und Dynamik komplexer biologischer Prozesse dramatisch verbessert^1,2. Die Identifizierung von Aberrat-Transkripten unter verschiedenen biologischen Kontexten, die auch als differentiell exprimierte Gene (DEGs) bezeichnet werden, ist ein wichtiger Schritt in der RNA-seq-Analyse. RNA-seq ermöglicht ein tiefes Verständnis der pathogenesebezogenen molekularen Mechanismen und biologischen Funktionen. Daher wurde die Differentialanalyse als wertvoll für die Diagnostik, Prognose und Therapie von Tumoren^3,4,5angesehen. Derzeit wurden weitere Open-Source-R/Bioconductor-Pakete für die RNA-seq-Differentialexpressionsanalyse entwickelt, insbesondere limma, DESeq2 und EdgeR^1,6,7. Die Differentialanalyse erfordert jedoch bestimmte Fähigkeiten mit der Sprache R und die Fähigkeit, die geeignete Methode zu wählen, die im Lehrplan der medizinischen Ausbildung fehlt.

In diesem Protokoll wurden basierend auf den Cholangiokarzinom (CHOL) RNA-seq-Zähldaten, die aus dem Cancer Genome Atlas (TCGA) extrahiert wurden, drei der bekanntesten Methoden (Limma⁸, EdgeR⁹ und DESeq2¹⁰) vom R-Programm¹¹ durchgeführt, um die DEGs zwischen CHOL und normalem Gewebe zu identifizieren. Die drei Protokolle limma, EdgeR und DESeq2 sind ähnlich, haben aber unterschiedliche Schritte zwischen den Prozessen der Analyse. Zum Beispiel sind die normalisierten RNA-seq-Zähldaten für EdgeR und Limma^8,9notwendig, während DESeq2 seine eigenen Bibliotheksdiskrepanzen verwendet, um Daten anstelle von Normalisierung¹⁰zu korrigieren. Darüber hinaus eignet sich edgeR speziell für RNA-seq-Daten, während das limma für Microarrays und RNA-seq verwendet wird. Ein lineares Modell wird von limma zur Bewertung der DEGs¹²übernommen, während die Statistiken in edgeR auf den negativen Binomialverteilungen basieren, einschließlich empirischer Bayes-Schätzung, exakter Tests, verallgemeinerter linearer Modelle und Quasi-Wahrscheinlichkeitstests⁹.

Zusammenfassend stellen wir die detaillierten Protokolle der RNA-seq-Differentialexpressionsanalyse unter Verwendung von limma, DESeq2 bzw. EdgeR zur Verfügung. Durch bezugnahmend auf diesen Artikel können Benutzer die RNA-seq-Differentialanalyse einfach durchführen und die geeigneten Differentialanalysemethoden für ihre Daten auswählen.

Protokoll

HINWEIS: Öffnen Sie das R-studio-Programm und laden Sie die R-Datei "DEGs.R", die Datei kann aus Ergänzenden Dateien/Skripten erworben werden.

1. Herunterladen und Vorverarbeitung von Daten

1. Laden Sie die Hochdurchsatz-Sequenzierungsdaten (HTSeq) des Cholangiokarzinoms (CHOL) aus dem Cancer Genome Atlas (TCGA) herunter. Dieser Schritt kann leicht durch den folgenden R-Code erreicht werden.
   1. Klicken Sie auf Ausführen, um R-Pakete zu installieren.
   2. Klicken Sie auf Ausführen, um R-Pakete zu laden.
      if(!requireNamespace("BiocManager", quietly=TRUE))
      + install.packages("BiocManager")
      BiocManager::install(c("TCGAbiolinks", "SummarizedExperiment"))
   3. Legen Sie das Arbeitsverzeichnis fest.
      Bibliothek (TCGAbiolinks)
      Bibliothek(Zusammengefasstes Experiment)
      setwd("C:/Benutzer/LIUSHIYI/Desktop")
   4. Wählen Sie die Krebsart.
      Krebs < - "TCGA-CHOL"
   5. Führen Sie den R-Code aus der Datei "GDCquery.R" aus, um die Daten herunterzuladen. Die Datei "GDCquery.R" kann aus Ergänzenden Dateien/Skripten entnommen werden:
      source("Ergänzende Dateien/Skripte/GDCquery.R")
      Kopf(cnt)
      Nr. #TCGA-3X-AAVA-01A-11R-A41I-07
      Nr. #ENSG00000000003 4262
      Nr. #ENSG00000000005 1
      Nr. #ENSG00000000419 1254
      Nr. #ENSG00000000457 699
      Nr. #ENSG00000000460 239
      Nr. #ENSG00000000938 334
      HINWEIS: Nach der Ausführung werden die CHOLHTSeq-Zähldaten heruntergeladen und "cnt" genannt, wobei Zeilen Ensemble-Gen-IDs und Spalten Beispiel-IDs darstellen. Bitte beachten Sie die Nummern an den Positionen 14-15 in den Muster-IDs; Zahlen von 01 bis 09 weisen auf Tumore hin und von 10 bis 19 auf normale Gewebe.
2. Konvertieren Sie Ensemble-Gen-IDs in Gensymbole.
   1. Importieren Sie die Anmerkungsdatei entsprechend ihrem Speicherpfad in R. Die Anmerkungsdatei (gencode.v22.annotation.gtf) kann aus Ergänzungsdateien abgebildet werden.
      gtf_v22 <- rtracklayer::import('Supplementary files/gencode.v22.annotation.gtf')
   2. Führen Sie den R-Code aus dem "gtf_v22. R"-Datei, die aus Ergänzenden Dateien/Skripten erworben werden kann:
      source("Ergänzende Dateien/Skripte/gtf_v22. R")
   3. Wenden Sie die Funktion "ann" an, um die Ensemble-Gen-IDs in Gensymbole umzuwandeln.
      cnt=ann(cnt;gtf_v22)
3. Filtern von niedrig exprimierten Genen
   1. Klicken Sie auf Ausführen, um das R-Paket "edgeR" zu installieren.
      BiocManager::install("edgeR")
   2. Klicken Sie auf Ausführen, um das R-Paket "edgeR" zu laden.
      Bibliothek(edgeR)
   3. Führen Sie den folgenden R-Code aus, um Gene mit CPM-Werten (Counts per Million) größer als eins in mindestens zwei Stichproben zu halten.
      keep <- rowSums(cpm(cnt)>1)>=2
      cnt <- as.matrix(cnt[keep,])
      HINWEIS: Der CPM-Wert (Counts per Million) wird anstelle der Leseanzahl verwendet, um die durch unterschiedliche Sequenzierungstiefen verursachte Abweichung zu eliminieren.

2. Differentielle Expressionsanalyse durch "Limma"

1. Klicken Sie auf Ausführen, um das R-Paket "limma" zu installieren.
   BiocManager::install("limma")
2. Klicken Sie auf Ausführen, um die R-Pakete "limma", "edgeR" zu laden.
   Bibliothek(limma)
   Bibliothek(edgeR)
3. Führen Sie den folgenden R-Code aus, um die Entwurfsmatrix zu erstellen.
   Gruppe <- substring(colnames(cnt),14,15) # Extract group information
   Gruppe [Gruppe %in% "01"] <- "Cancer" # set '01' as tumor tissue
   Gruppe [Gruppe %in% "11"] <- "Normal" # set '11' as normal tissue
   Gruppe <- factor (group, levels = c("Normal","Cancer"))
   1. Erstellen Sie die Entwurfsmatrix.
      Design <- model.matrix (~group)
      Rownames(Design) <- colnames(cnt)
   2. Erstellen Sie das DGEList-Objekt.
      dge <- DGEList(counts = cnt, group = group)
   3. Normalisieren Sie die Daten.
      dge <- calcNormFactors(dge, method = "TMM")
   4. Führen Sie den folgenden R-Code aus, um die auf der Limma-Trend-Methode basierende Differentielle Ausdrucksanalyse durchzuführen.
      dge
      ##An Objekt der Klasse "DGEList"
      ##$counts
      Nr. #TCGA-3X-AAVA-01A-11R-A41I-07
      Nr. #TSPAN6 4262
      Nr. #DPM1 1254
      Nr. #SCYL3 699
      Nr. #C1orf112 239
      Nr. #FGR 334
   5. Berechnen Sie den CPM-Wert.
      logdge <- cpm(dge, log=TRUE, prior.count=3)
   6. Klicken Sie auf Ausführen, um ein lineares Modell anzupassen, um die Daten vorherzusagen oder die Beziehung zwischen Variablen abzuleiten.
      fit <- lmFit (logdge, Design)
   7. Berechnen Sie den T-Wert, den F-Wert und die Log-Quoten basierend auf Bayesian.
      fit <- eBayes(fit, trend=TRUE)
   8. Extrahieren Sie die Ergebnistabelle.
      res_limma<- as.data.frame(topTable(fit,n=Inf))
      
      Kopf(res_limma)
      ## logFC AveExpr t P.Value adj. P.Val B
      ##RP11-252E2.2 -4.899493 -2.488589 -20.88052 2.386656e-25 4.931786e-21 47.28823
      ##BX842568.1 -4.347930 -2.595205 -20.14532 1.082759e-24 1.118706e-20 45.83656
      ##CTC-537E7.3 -5.154894 -2.143292 -19.59571 3.452354e-24 2.216114e-20 44.72001
      ##RP11-468N14.3 -6.532259 -2.029714 -19.49409 4.289807e-24 2.216114e-20 44.51056
      ##AP006216.5 -4.507051 -2.670915 -19.25649 7.153356e-24 2.956339e-20 44.01704
      ##RP11-669E14.4 -4.107204 -2.828311 -18.93246 1.448209e-23 4.987633e-20 43.33543
      #The Ergebnis der differentiellen Expressionsanalyse wird in "res_limma" gespeichert, das die Gen-ID, den log2-Fachänderungswert (logFC), das durchschnittliche log2-Expressionsniveau des Gens im Experiment (AveExpr), die modifizierte t-Statistik (t), den relaventen p-Wert (P.-Wert), den falschen Entdeckungsrates-korrigierten p-Wert (FDR) (adj. P.Val) und die Log-Quoten differentiell exprimierter Gene (B)
      HINWEIS: Die Funktion "calcNormFactors()" des "edgeR" wurde verwendet, um die Daten zu normalisieren, um den Einfluss zu eliminieren, der durch Probenvorbereitung oder Bibliotheksaufbau und -sequenzierung verursacht wird. Bei der Konstruktion der Designmatrix ist es notwendig, das experimentelle Design (z. B. Gewebetyp: Normales oder Tumorgewebe) mit den Proben-IDs der Matrix abzugleichen. limma-trend eignet sich für Daten, deren Sequenzierungstiefe gleich ist, während limma-voom geeignet ist: (i) wenn die Größe der Stichprobenbibliothek unterschiedlich ist; ii) Daten, die nicht durch TMM normalisiert wurden; (iii) es gibt viel "Rauschen" in den Daten. Ein positiver logFC bedeutet, dass das Gen im Experiment hochreguliert wird, während die negative Zahl bedeutet, dass das Gen herunterreguliert wird.
   9. Identifizieren Sie die DEGs.
      res_limma$sig <- as.factor(
      ifelse(res_limma$adj. P.Val < 0.05 & abs(res_limma$logFC) > 2,
      ifelse(res_limma$logFC > 2 ,'up','down'),'not')) # Der adj.p-Wert < 0,05 und der |log2FC| >= 2 sind Schwellenwerte zur Identifizierung der DEGs
      Zusammenfassung(res_limma$sig)
      ##down nicht oben
      ##1880 ​17341 1443
   10. Geben Sie die Ergebnistabelle in eine Datei aus.
       write.csv(res_limma, file = 'result_limma.csv')
   11. Klicken Sie auf Ausführen, um das R-Paket "ggplot2" zu installieren.
       install.packages("ggplot2")
   12. Klicken Sie auf Ausführen, um das R-Paket "ggplot2" zu laden.
       Bibliothek(ggplot2)
   13. Führen Sie den R-Code vom Vulkan aus. R", um die Vulkanhandlung zu erstellen. Die Datei "volcano. R" kann aus Ergänzungsdateien erworben werden.
       Quelle("Ergänzende Dateien/Skripte/Vulkan. R")
       vulkan(res_limma,"logFC","adj. P.Val",2,0.05)
       HINWEIS: Gene können entsprechend ihren log2FC- und adj-p-Werten auf verschiedene Positionen abgebildet werden, die nach oben regulierten DEGs sind rot gefärbt und die herunterregulierten DEGs sind grün gefärbt.
   14. Klicken Sie auf Exportieren, um das Vulkandiagramm zu speichern.
       HINWEIS: Die Vulkanplots können in verschiedenen Formaten (z.B. pdf, TIFF, PNG, JPEG Format) generiert und heruntergeladen werden. Gene können entsprechend ihren log2FC- und adj p-Werten auf verschiedene Positionen abgebildet werden, die hochregulierten DEGs (log2FC > 2, adj p < 0,05) sind rot eingefärbt und die herunterregulierten DEGs (log2FC < -2, adj p < 0,05) sind grün eingefärbt, Nicht-DEGs sind grau gefärbt.

3. Differentialausdrucksanalyse durch "edgeR"

1. Klicken Sie auf Ausführen, um das R-Paket "edgeR" zu laden.
   Bibliothek(edgeR)
2. Führen Sie den folgenden R-Code aus, um eine Entwurfsmatrix zu erstellen.
   Gruppe <-Teilzeichenfolge(colnames(cnt),14,15)
   Gruppe [Gruppe %in% "01"] <- "Krebs"
   Gruppe [Gruppe %in% "11"] <- "Normal"
   group=factor(group, levels = c("Normal","Krebs"))
   Design <-model.matrix(~group)
   Rownames(Design) = Colnames(cnt)
3. Klicken Sie auf Ausführen, um das DGEList-Objekt zu erstellen.
   dge <- DGEList(counts=cnt)
4. Normalisieren Sie die Daten.
   dge <- calcNormFactors(dge, method = "TMM")
5. Klicken Sie auf Ausführen, um die Streuung der Genexpressionswerte abzuschätzen.
   dge <- estimateDisp(dge, design, robust = T)
6. Klicken Sie auf Ausführen, um das Modell zum Zählen von Daten anzupassen.
   fit <- glmQLFit(dge, design)
7. Führen Sie einen statistischen Test durch.
   fit <- glmQLFTest(fit)
8. Extrahieren Sie die Ergebnistabelle. Das Ergebnis wird in "res_edgeR" gespeichert, das den Log-Fold-Änderungswert, den Log-CPM,F-, p-Wert und den FDR-korrigierten p-Wert enthält.
   res_edgeR=as.data.frame(topTags(fit, n=Inf))
   Kopf(res_edgeR)
   ## logFC logCPM F PValue FDR
   ##GCDH -3.299633 5.802700 458.5991 1.441773e-25 2.979280e-21
   ##MSMO1 -3.761400 7.521111 407.0416 1.730539e-24 1.787993e-20R
   ##CL1 -3.829504 5.319641 376.5043 8.652474e-24 5.516791e-20
   ##ADI1 -3.533664 8.211281 372.6671 1.067904e-23 5.516791e-20
   ##KCNN2 -5.583794 3.504017 358.6525 2.342106e-23 9.679455e-20
   ##GLUD1 -3.287447 8.738080 350.0344 3.848408e-23 1.194406e-19
   #The Ergebnis wird in "res_edgeR" gespeichert, das den Log Fold Change Value (logFC), log CPM, F, p-Wert und FDR-korrigierten p-Wert enthält
9. Identifizieren Sie die DEGs.
   res_edgeR$sig = as.factor(
   ifelse(res_edgeR$FDR < 0.05 & abs(res_edgeR$logFC) > 2,
   ifelse(res_edgeR$logFC > 2 ,'up','down'),'not'))
   Zusammenfassung(res_edgeR$sig)
   ##down nicht oben
   ##1578 15965 3121
10. Geben Sie die Ergebnistabelle in eine Datei aus.
    write.csv(res_edgeR, file = 'res_edgeR.csv')
11. Erstellen Sie das Vulkandiagramm.
    Vulkan(res_edgeR,"logFC","FDR",2,0.05)
12. Klicken Sie auf Exportieren, um das Vulkandiagramm zu speichern.

4. Differentialexpressionsanalyse durch "DESeq2"

1. Klicken Sie auf Ausführen, um die R-Pakete "DESeq2" zu installieren.
   BiocManager::install("DESeq2")
2. Klicken Sie auf Ausführen, um R-Pakete "DESeq2" zu laden.
   Bibliothek(DESeq2)
3. Führen Sie den folgenden R-Code aus, um den Gruppierungsfaktor zu bestimmen.
   Gruppe <-Teilzeichenfolge(colnames(cnt),14,15)
   Gruppe [Gruppe %in% "01"] <- "Krebs"
   Gruppe [Gruppe %in% "11"] <- "Normal"
   group=factor(group, levels = c("Normal","Krebs"))
4. Erstellen Sie das DESeqDataSet-Objekt.
   dds <-DESeqDataSetFromMatrix (cnt, DataFrame(group), design = ~group)
   Dds
   ##class: DESeqDataSet
   Nr. #dim: 20664 45
   ##metadata(1): Version
   ##assays(1): zählt
   ##rownames(20664): TSPAN6 DPM1 ... RP11-274B21.13 LINC01144
   ##rowData Namen(0):
   ##colnames(45): TCGA-3X-AAVA-01A-11R-A41I-07 ...
   ##colData Namen(1): Gruppe
5. Führen Sie die Analyse durch.
   dds <- DESeq(dds)
6. Generieren Sie die Ergebnistabelle.
   res_DESeq2 <- data.frame(results(dds))
   
   Kopf(res_DESeq2)
   ## baseMean log2FoldChange lfcSE stat pvalue padj
   ##TSPAN6 4704.9243 -0.8204515 0.3371667 -2.433370 1.495899e-02 2.760180e-02
   ##DPM1 1205.9087 -0.3692497 0.1202418 -3.070894 2.134191e-03 4.838281e-03
   ##SCYL3 954.9772 0.2652530 0.2476441 1.071106 2.841218e-01 3.629059e-01
   ##C1orf112 277.7756 0.7536911 0.2518929 2.992109 2.770575e-03 6.101584e-03
   ##FGR 345.8789 -0.6423198 0.3712729 -1.730047 8.362180e-02 1.266833e-01
   ##CFH 27982.3546 -3.8761382 0.5473363 -7.081823 1.422708e-12 1.673241e-11
   HINWEIS: Das Ergebnis wird in "res_DESeq2" gespeichert, das den Mittelwert der normalisierten Leseanzahl (baseMean), den Log-Fold-Änderungswert (log2FoldChange), den Log-Fold-Change-Standardfehler (lfcSE), die Wald-Statistik (stat), den ursprünglichen p-Wert (pvalue) und den korrigierten p-Wert (padj) enthält.
7. Identifizieren Sie DEGs.
   res_DESeq2$sig = as.factor(
   ifelse(res_DESeq2$padj < 0.05 & abs(res_DESeq2$log2FoldChange) > 2,
   ifelse(res_DESeq2$log2FoldChange > 2 ,'up','down'),'not'))
   Zusammenfassung(res_DESeq2$sig)
   ##down nicht oben
   ##1616 16110 2938
8. Geben Sie die Ergebnistabelle in eine Datei aus.
   write.csv(res_DESeq2, file = 'res_DESeq2.csv')
9. Erstellen Sie das Vulkandiagramm.
   vulkan(res_DESeq2,"log2FoldChange","padj",2,0.05)
10. Klicken Sie auf Exportieren, um das Vulkandiagramm zu speichern.

5. Venn-Diagramm

1. Klicken Sie auf Ausführen, um das R-Paket "VennDiagram" zu installieren.
   install.packages("VennDiagram")
2. Klicken Sie auf Ausführen, um das R-Paket "VennDiagram" zu laden.
   Bibliothek (VennDiagram)
3. Erstellen Sie ein Venn-Diagramm von regulierten DEGs.
   grid.newpage()
   grid.draw(venn.diagram(list(Limma=rownames(res_
   limma[res_limma$sig=="up",]),
   edgeR=rownames(res_edgeR[res_edgeR$sig=="up",]),
   DESeq2=Zeilennamen(res_DESeq2[res_DESeq2$sig==
   "up",])),
   NULL,Höhe = 3,Breite = 3,Einheiten = "in",
   col="black",lwd=0.3,fill=c("#FF6666","#FFFF00",
   "#993366"),
   alpha=c(0,5, 0,5, 0,5),main = "Hochregulierte DEGs"))
4. Klicken Sie auf Exportieren, um das Venn-Diagramm zu speichern.
5. Erstellen Sie ein Venn-Diagramm von herunterregulierten DEGs.
   grid.newpage()
   grid.draw(venn.diagram(list(Limma=rownames(res_
   limma[res_limma$sig=="down",]),
   edgeR=Zeilennamen(res_edgeR[res_edgeR$sig==
   "unten",]),
   DESeq2=rownames(res_DESeq2[res_DESeq2$sig=="down",])),
   NULL,Höhe = 3,Breite = 3,Einheiten = "in",
   col="black",lwd=0.3,fill=c("#FF6666","#FFFF00",
   "#993366"),
   alpha=c(0,5, 0,5, 0,5),main = "Down-regulated DEGs"))
6. Klicken Sie auf Exportieren, um das Venn-Diagramm zu speichern.

Ergebnisse

Es gibt verschiedene Ansätze, um das Ergebnis der Differentialexpressionsanalyse zu visualisieren, unter denen insbesondere das Vulkandiagramm und das Venn-Diagramm verwendet werden. limma identifizierte 3323 DEGs zwischen dem CHOL und normalem Gewebe mit den |logFC|≥2 und adj. P.Val <0,05 als Schwellenwerte, darunter 1880 in CHOL-Geweben herunterreguliert und 1443 hochreguliert wurden (Abbildung 1a). In der Zwischenzeit identifizierte edgeR die 1578 herunterregulierten DEGs und 3121 hoch...

Diskussion

Reichlich vorhandene Aberrat-Transkripte bei Krebserkrankungen können leicht durch RNA-seq-Differentialanalyse identifiziert werden⁵. Die Anwendung der RNA-seq-Differentialexpressionsanalyse ist jedoch oft eingeschränkt, da sie bestimmte Kenntnisse mit der R-Sprache und die Fähigkeit, geeignete Methoden zu wählen, erfordert. Um dieses Problem anzugehen, bieten wir eine detaillierte Einführung in die drei bekanntesten Methoden (limma, EdgeR und DESeq2) und Tutorials zur Anwendung der RNA-seq-D...

Materialien

Name	Company	Catalog Number	Comments
R		version 3.6.2	free software
Rstudio			free software