JoVE Logo

Войдите в систему

Для просмотра этого контента требуется подписка на Jove Войдите в систему или начните бесплатную пробную версию.

В этой статье

  • Резюме
  • Аннотация
  • Введение
  • протокол
  • Результаты
  • Обсуждение
  • Раскрытие информации
  • Благодарности
  • Материалы
  • Ссылки
  • Перепечатки и разрешения

Резюме

Приведен подробный протокол методов дифференциального экспрессионного анализа для секвенирования РНК: limma, EdgeR, DESeq2.

Аннотация

Секвенирование РНК (RNA-seq) является одной из наиболее широко используемых технологий в транскриптомике, поскольку оно может выявить связь между генетическим изменением и сложными биологическими процессами и имеет большое значение в диагностике, прогностике и терапии опухолей. Дифференциальный анализ данных RNA-seq имеет решающее значение для выявления аберрантных транскрипций, а limma, EdgeR и DESeq2 являются эффективными инструментами для дифференциального анализа. Однако дифференциальный анализ RNA-seq требует определенных навыков владения языком R и умения выбирать соответствующий метод, чего не хватает в учебной программе медицинского образования.

Здесь мы предоставляем подробный протокол для идентификации дифференциально экспрессированных генов (DEG) между холангиокарциномой (CHOL) и нормальными тканями через limma, DESeq2 и EdgeR, соответственно, и результаты показаны на графиках вулканов и диаграммах Венна. Три протокола limma, DESeq2 и EdgeR похожи, но имеют разные этапы среди процессов анализа. Например, линейная модель используется для статистики в лимме, в то время как отрицательное биномиальное распределение используется в edgeR и DESeq2. Кроме того, нормализованные данные о количестве РНК-seq необходимы для EdgeR и limma, но не нужны для DESeq2.

Здесь мы предоставляем подробный протокол для трех методов дифференциального анализа: limma, EdgeR и DESeq2. Результаты применения трех методов частично перекрываются. Все три метода имеют свои преимущества, и выбор метода зависит только от данных.

Введение

РНК-секвенирование (RNA-seq) является одной из наиболее широко используемых технологий в транскриптомике со многими преимуществами (например, высокой воспроизводимостью данных) и значительно расширило наше понимание функций и динамики сложных биологических процессов1,2. Идентификация аберратных транскриптов в различных биологических контекстах, которые также известны как дифференциально экспрессированные гены (ДЭГ), является ключевым шагом в анализе РНК-seq. RNA-seq позволяет получить глубокое понимание молекулярных механизмов и биологических функций, связанных с патогенезом. Поэтому дифференциальный анализ был расценен как ценный для диагностики, прогностики и терапии опухолей3,4,5. В настоящее время для дифференциального экспресс-анализа РНК-seq разработано больше пакетов R/Bioconductor с открытым исходным кодом, в частности limma, DESeq2 и EdgeR1,6,7. Однако дифференциальный анализ требует определенных навыков владения языком R и умения выбирать подходящий метод, чего не хватает в учебной программе медицинского образования.

В этом протоколе, основанном на данных о количестве РНК-seq холангиокарциномы (CHOL), извлеченных из Атласа генома рака (TCGA), три наиболее известных метода (limma8,EdgeR9 и DESeq210)были проведены, соответственно, программой R11 для идентификации DEG между CHOL и нормальными тканями. Три протокола limma, EdgeR и DESeq2 похожи, но имеют разные этапы среди процессов анализа. Например, нормализованные данные о количестве РНК-seq необходимы для EdgeR и limma8,9, тогда как DESeq2 использует свои собственные библиотечные расхождения для исправления данных вместо нормализации10. Кроме того, edgeR специально подходит для данных RNA-seq, в то время как limma используется для микрочипов и RNA-seq. Линейная модель принята Limma для оценки DEG12,в то время как статистика в edgeR основана на отрицательных биномиальных распределениях, включая эмпирическую оценку Байеса, точные тесты, обобщенные линейные модели и квазивероятностные тесты9.

Таким образом, мы предоставляем подробные протоколы дифференциального экспрессивного анализа RNA-seq с использованием limma, DESeq2 и EdgeR соответственно. Ссылаясь на эту статью, пользователи могут легко выполнить дифференциальный анализ RNA-seq и выбрать подходящие методы дифференциального анализа для своих данных.

протокол

ПРИМЕЧАНИЕ: Откройте программу R-studio и загрузите R файл "DEGs.R", файл можно получить из Дополнительных файлов/Скриптов.

1. Загрузка и предварительная обработка данных

  1. Загрузите данные о количестве высокопроизводительного секвенирования (HTSeq) холангиокарциномы (CHOL) из Атласа генома рака (TCGA). Этот шаг может быть легко достигнут с помощью следующего кода R.
    1. Нажмите кнопку Выполнить, чтобы установить пакеты R.
    2. Нажмите кнопку Выполнить, чтобы загрузить пакеты R.
      if(!requireNamespace("BiocManager", quietly=TRUE))
      + install.packages("BiocManager")
      BiocManager::install(c("TCGAbiolinks", "SummarizedExperiment"))
    3. Задайте рабочий каталог.
      библиотека (TCGAbiolinks)
      библиотека(Обобщенныйопыт)
      setwd("C:/Пользователи/LIUSHIYI/Рабочий стол")
    4. Выберите тип рака.
      < рака - "TCGA-CHOL"
    5. Запустите код R из файла "GDCquery.R", чтобы загрузить данные. Файл "GDCquery.R" можно получить из Дополнительных файлов/Скриптов:
      source("Дополнительные файлы/Скрипты/GDCquery.R")
      голова (cnt)
      ##TCGA-3X-AAVA-01A-11R-A41I-07
      no #ENSG00000000003 4262
      No #ENSG00000000005 1
      no #ENSG00000000419 1254
      No #ENSG00000000457 699
      No #ENSG00000000460 239
      No #ENSG00000000938 334
      ПРИМЕЧАНИЕ: После выполнения данные подсчета CHOLHTSeq будут загружены и названы "cnt", где строки представляют идентификаторы генов ансамбля, а столбцы представляют идентификаторы образцов. Пожалуйста, обратите внимание на цифры на позициях 14-15 в идентификаторах образцов; числа в диапазоне от 01 до 09 указывают на опухоли и в диапазоне от 10 до 19 указывают на нормальные ткани.
  2. Преобразуйте идентификаторы генов ансамбля в символы генов.
    1. Импортируйте файл аннотации в R в соответствии с его путем к хранилищу. Файл аннотации (gencode.v22.annotation.gtf) можно получить из дополнительных файлов.
      gtf_v22 <- rtracklayer::import('Дополнительные файлы/gencode.v22.annotation.gtf')
    2. Запустите код R из gtf_v22. R", который можно получить из Дополнительных файлов/Скриптов:
      source("Дополнительные файлы/Скрипты/gtf_v22. R")
    3. Примените функцию "ann" для преобразования идентификаторов генов ансамбля в символы генов.
      cnt=ann(cnt;gtf_v22)
  3. Фильтрация низко экспрессированных генов
    1. Нажмите кнопку Выполнить, чтобы установить пакет R "edgeR".
      BiocManager::install("edgeR")
    2. Нажмите кнопку Выполнить, чтобы загрузить пакет R "edgeR".
      библиотека(edgeR)
    3. Выполните следующий код R, чтобы сохранить гены со значениями количества на миллион (CPM) больше, чем один из по крайней мере двух выборок.
      сохранить <- rowSums(cpm(cnt)>1)>=2
      cnt <- as.matrix(cnt[keep,])
      ПРИМЕЧАНИЕ: Значение счетчиков на миллион (CPM) используется вместо счетчика считывания для устранения отклонения, вызванного различными глубинами последовательности.

2. Дифференциальный экспрессионный анализ через "limma"

  1. Нажмите кнопку Выполнить, чтобы установить пакет R "limma".
    BiocManager::install("limma")
  2. Нажмите кнопку Выполнить, чтобы загрузить пакеты R "limma", "edgeR".
    библиотека(лимма)
    библиотека(edgeR)
  3. Выполните следующий код R, чтобы создать матрицу проектирования.
    группа <- substring(colnames(cnt),14,15) # Extract group information
    группа [группа %in% "01"] <- "Cancer" # set '01' as tumor tissue
    группа [группа %in% "11"] <- "Normal" # set '11' as normal tissue
    группа <- factor (group, levels = c("Normal","Cancer"))
    1. Создайте матрицу проектирования.
      проектирование <- model.matrix (~group)
      rownames(design) <- colnames(cnt)
    2. Создайте объект DGEList.
      dge <- DGEList(counts = cnt, group = group)
    3. Нормализуйте данные.
      dge <- calcNormFactors(dge, method = "TMM")
    4. Выполните следующий код R для выполнения анализа дифференциальных выражений на основе метода limma-trend.
      дгэ
      ##An объект класса "DGEList"
      ##$counts
      ##TCGA-3X-AAVA-01A-11R-A41I-07
      no #TSPAN6 4262
      #DPM1 1254
      No #SCYL3 699
      No #C1orf112 239
      No #FGR 334
    5. Рассчитайте значение CPM.
      logdge <- cpm(dge, log=TRUE, prior.count=3)
    6. Нажмите кнопку Выполнить, чтобы соответствовать линейной модели для прогнозирования данных или вывода взаимосвязи между переменными.
      подходит <- lmFit (бревно, дизайн)
    7. Рассчитайте значение T, значение F и логарифмы коэффициентов на основе байесовского значения.
      подходит <- eBayes(fit, trend=TRUE)
    8. Извлеките таблицу результатов.
      res_limma<- as.data.frame(topTable(fit;n=Inf))

      голова(res_limma)
      ## logFC AveExpr t P.Value adj. П.Вал Б
      ##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 результат дифференциального экспрессионного анализа сохраняется в «res_limma», который включает в себя идентификатор гена, значение log2-кратного изменения (logFC), средний уровень экспрессии log2 гена в эксперименте (AveExpr), модифицированную статистику t (t), значение relavent p (P.Value), ложное значение обнаружения (FDR), скорректированное значение p (adj. P.Val) и логарифмических шансов дифференциально экспрессированных генов (B)
      ПРИМЕЧАНИЕ: Функция "calcNormFactors()" "edgeR" использовалась для нормализации данных с целью устранения влияния, вызванного подготовкой образцов или построением библиотеки и секвенированием. При построении проектной матрицы необходимо сопоставить экспериментальный проект (например, тип ткани: нормальные или опухолевые ткани) с образцом идентификаторов матрицы. limma-trend подходит для данных, глубина секвенирования которых одинакова, в то время как limma-voom подходит: (i) когда размер библиотеки выборки отличается; ii) данные, не нормализованные ТММ; iii) в данных много "шума". Положительный logFC означает, что ген регулируется в эксперименте, в то время как отрицательное число означает, что ген регулируется понижением.
    9. Определите DEG.
      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')) # Значение adj.p < 0.05 и |log2FC| >= 2 — пороговые значения для идентификации ДЭГ
      резюме(res_limma$sig)
      ##down не вверх
      ##1880 ​17341 1443
    10. Выведем таблицу результатов в файл.
      запись.csv(res_limma, файл = 'result_limma.csv')
    11. Нажмите кнопку Выполнить, чтобы установить пакет R "ggplot2".
      install.packages("ggplot2")
    12. Нажмите кнопку Выполнить, чтобы загрузить пакет R "ggplot2".
      библиотека(ggplot2)
    13. Запустите код R из «вулкана. R" для создания сюжета вулкана. Файл «Вулкан. R" можно получить из дополнительных файлов.
      source("Дополнительные файлы/Скрипты/вулкан. R")
      вулкан(res_limma,"logFC","adj. П.Вал",2,0.05)
      ПРИМЕЧАНИЕ: Гены могут быть отображены в различные позиции в соответствии с их значениями log2FC и adj-p, регулируемые вверх DEG окрашены в красный цвет, а deG с пониженной регулией окрашены в зеленый цвет.
    14. Нажмите «Экспорт», чтобы сохранить график вулкана.
      ПРИМЕЧАНИЕ: Графики вулканов могут быть сгенерированы и загружены в различных форматах (например, pdf, TIFF, PNG, JPEG формат). Гены могут быть отображены в различные позиции в соответствии с их значениями log2FC и adj p, регулируемые deG (log2FC > 2, adj p < 0,05) окрашены в красный цвет, а deG с пониженной регулизией (log2FC < -2, adj p < 0,05) окрашены в зеленый, не-DEG окрашены в серый.

3. Дифференциальный анализ выражений через "edgeR"

  1. Нажмите кнопку Выполнить, чтобы загрузить пакет R "edgeR".
    библиотека(edgeR)
  2. Выполните следующий код R, чтобы создать матрицу проектирования.
    группа <-подстрока(colnames(cnt),14,15)
    группа [группа %in% "01"] <- "Рак"
    группа [группа %in% "11"] <- "Нормальный"
    group=factor(группа, уровни = c("Нормальный","Рак"))
    проектирование <-model.matrix(~group)
    rownames(design) = colnames(cnt)
  3. Нажмите кнопку Выполнить, чтобы создать объект DGEList.
    dge <- DGEList(counts=cnt)
  4. Нормализуйте данные.
    dge <- calcNormFactors(dge, method = "TMM")
  5. Нажмите кнопку Выполнить, чтобы оценить дисперсию значений экспрессии генов.
    dge <- estimateDisp(dge, design, robust = T)
  6. Нажмите кнопку Выполнить, чтобы подогнать модель для подсчета данных.
    подходит <- glmQLFit(dge, дизайн)
  7. Проведите статистический тест.
    подходит <- glmQLFTest(fit)
  8. Извлеките таблицу результатов. Результат сохраняется в "res_edgeR", который включает в себя значение изменения сгиба журнала, CPM журнала, значение F, p и скорректированное значение fDR p.
    res_edgeR=as.data.frame(topTags(fit, n=Inf))
    голова(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 результат сохраняется в "res_edgeR", который включает в себя значение изменения сгиба журнала (logFC), CPM журнала, F, значение p и скорректированное значение FDR p
  9. Определите DEG.
    res_edgeR$sig = as.factor(
    ifelse(res_edgeR$FDR < 0.05 & abs(res_edgeR$logFC) > 2,
    ifelse(res_edgeR$logFC > 2 , 'вверх', 'вниз'),'не'))
    резюме(res_edgeR$sig)
    ##down не вверх
    ##1578 15965 3121
  10. Выведем таблицу результатов в файл.
    запись.csv(res_edgeR, файл = 'res_edgeR.csv')
  11. Создайте сюжет вулкана.
    вулкан(res_edgeR,"logFC","FDR",2,0.05)
  12. Нажмите «Экспорт», чтобы сохранить график вулкана.

4. Дифференциальный анализ выражений с помощью "DESeq2"

  1. Нажмите кнопку Выполнить, чтобы установить пакеты R "DESeq2".
    BiocManager::install("DESeq2")
  2. Нажмите кнопку Выполнить, чтобы загрузить пакеты R "DESeq2".
    библиотека(DESeq2)
  3. Выполните следующий код R, чтобы определить фактор группировки.
    группа <-подстрока(colnames(cnt),14,15)
    группа [группа %in% "01"] <- "Рак"
    группа [группа %in% "11"] <- "Нормальный"
    group=factor(группа, уровни = c("Нормальный","Рак"))
  4. Создайте объект DESeqDataSet.
    dds <-DESeqDataSetFromMatrix (cnt, DataFrame(group), design = ~group)
    дд
    ##class: DESeqDataSet
    ##dim: 20664 45
    ##metadata(1): версия
    ##assays(1): количество
    ##rownames(20664): TSPAN6 DPM1 ... РП11-274Б21.13 ЛИНК01144
    ##rowData имена(0):
    ##colnames(45): TCGA-3X-AAVA-01A-11R-A41I-07 ...
    ##colData имена(1): группа
  5. Выполните анализ.
    dds <- DESeq(dds)
  6. Создайте таблицу результатов.
    res_DESeq2 <- data.frame(results(dds))

    голова(res_DESeq2)
    ## baseМеанский 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
    ПРИМЕЧАНИЕ: Результат сохраняется в "res_DESeq2", который включает в себя среднее значение нормализованного счетчика чтения (baseMean), значение изменения сгиба журнала (log2FoldChange), стандартную ошибку изменения сгиба журнала (lfcSE), статистику Wald (stat), исходное значение p (pvalue) и исправленное значение p (padj)
  7. Идентификация DEG.
    res_DESeq2$sig = as.factor(
    ifelse(res_DESeq2$padj < 0.05 & abs(res_DESeq2$log2FoldChange) > 2,
    ifelse(res_DESeq2$log2FoldChange > 2 ,'вверх', 'вниз'),'не'))
    резюме(res_DESeq2$sig)
    ##down не вверх
    ##1616 16110 2938
  8. Выведем таблицу результатов в файл.
    запись.csv(res_DESeq2, файл = 'res_DESeq2.csv')
  9. Создайте сюжет вулкана.
    вулкан(res_DESeq2,"log2FoldChange","padj",2,0.05)
  10. Нажмите «Экспорт», чтобы сохранить график вулкана.

5. Диаграмма Венна

  1. Нажмите кнопку Выполнить, чтобы установить пакет R "VennDiagram".
    install.packages("VennDiagram")
  2. Нажмите кнопку Выполнить, чтобы загрузить пакет R "VennDiagram".
    библиотека (ВеннДиаграмма)
  3. Составьте диаграмму Венна из регулируемых DEG.
    grid.newpage()
    grid.draw(venn.diagram(list(Limma=rownames(res_
    limma[res_limma$sig=="up",]),
    edgeR=имена строк(res_edgeR[res_edgeR$sig=="up",]),
    DESeq2=rownames(res_DESeq2[res_DESeq2$sig==
    "вверх",])),
    NULL,высота = 3,ширина = 3,единицы = "in",
    col="черный",lwd=0.3,fill=c("#FF6666","#FFFF00",
    "#993366"),
    alpha=c(0.5, 0.5, 0.5),main = "Up-регулируемые DEG"))
  4. Нажмите кнопку Экспорт, чтобы сохранить диаграмму Венна.
  5. Составьте диаграмму Венна с пониженными регулируемыми DEG.
    grid.newpage()
    grid.draw(venn.diagram(list(Limma=rownames(res_
    limma[res_limma$sig=="down",]),
    edgeR=имена строк(res_edgeR[res_edgeR$sig==
    "вниз",]),
    DESeq2=rownames(res_DESeq2[res_DESeq2$sig=="down",])),
    NULL,высота = 3,ширина = 3,единицы = "in",
    col="черный",lwd=0.3,fill=c("#FF6666","#FFFF00",
    "#993366"),
    alpha=c(0.5, 0.5, 0.5),main = "Пониженные регулируемые DEG"))
  6. Нажмите кнопку Экспорт, чтобы сохранить диаграмму Венна.

Результаты

Существуют различные подходы к визуализации результата дифференциального экспрессионного анализа, среди которых особенно используются график вулкана и диаграмма Венна. Лимма идентифицировала 3323 ДЭГ между CHOL и нормальными тканями с |logFC|≥2 и adj. P.Val <0,05 в качестве пороговых значений, ср?...

Обсуждение

Обильные аберратные транскрипты при раке могут быть легко идентифицированы с помощью дифференциального анализа RNA-seq5. Однако применение дифференциального экспрессивного анализа RNA-seq часто ограничено, поскольку оно требует определенных навыков владения языком R и способ?...

Раскрытие информации

Рукопись не была опубликована ранее и не рассматривается для публикации в другом месте. Все авторы внесли свой вклад в создание этой рукописи для важного интеллектуального содержания и прочитали и одобрили окончательную рукопись. Мы заявляем, что конфликта интересов нет.

Благодарности

Эта работа была поддержана Национальным фондом естественных наук Китая (грант No 81860276) и Ключевыми проектами Специального фонда Национальной ключевой программы НИОКР (грант No 2018YFC1003200).

Материалы

NameCompanyCatalog NumberComments
Rversion 3.6.2free software
Rstudiofree software

Ссылки

  1. Tambonis, T., Boareto, M., Leite, V. B. P. Differential Expression Analysis in RNA-seq Data Using a Geometric Approach. Journal of Computational Biology. 25, 1257-1265 (2018).
  2. Wang, Z., Gerstein, M., Snyder, M. RNA-Seq: a revolutionary tool for transcriptomics. Nature Reviews. Genetics. 10, 57-63 (2009).
  3. Anders, S., et al. Count-based differential expression analysis of RNA sequencing data using R and Bioconductor. Nature Protocols. 8, 1765-1786 (2013).
  4. McDermaid, A., Monier, B., Zhao, J., Liu, B., Ma, Q. Interpretation of differential gene expression results of RNA-seq data: review and integration. Briefings in Bioinformatics. 20, 2044-2054 (2019).
  5. Costa-Silva, J., Domingues, D., Lopes, F. M. RNA-Seq differential expression analysis: An extended review and a software tool. PloS One. 12, 0190152 (2017).
  6. Law, C. W., et al. RNA-seq analysis is easy as 1-2-3 with limma, Glimma and edgeR. F1000Research. 5, (2016).
  7. Varet, H., Brillet-Guéguen, L., Coppée, J. Y., Dillies, M. A. SARTools: A DESeq2- and EdgeR-Based R Pipeline for Comprehensive Differential Analysis of RNA-Seq Data. PloS One. 11, 0157022 (2016).
  8. Ritchie, M. E., et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Research. 43, 47 (2015).
  9. Robinson, M. D., McCarthy, D. J., Smyth, G. K. edgeR: a Bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics. 26, 139-140 (2010).
  10. Love, M. I., Huber, W., Anders, S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biology. 15, 550 (2014).
  11. Gentleman, R. C., et al. Bioconductor: open software development for computational biology and bioinformatics. Genome Biology. 5, 80 (2004).
  12. Law, C. W., Chen, Y., Shi, W., Smyth, G. K. voom: Precision weights unlock linear model analysis tools for RNA-seq read counts. Genome Biology. 15, 29 (2014).
  13. Smyth, G. K. Linear models and empirical bayes methods for assessing differential expression in microarray experiments. Statistical Applications in Genetics and Molecular Biology. 3, (2004).
  14. Lund, S. P., Nettleton, D., McCarthy, D. J., Smyth, G. K. Detecting differential expression in RNA-sequence data using quasi-likelihood with shrunken dispersion estimates. Statistical Applications in Genetics and Molecular Biology. 11, (2012).
  15. Reeb, P. D., Steibel, J. P. Evaluating statistical analysis models for RNA sequencing experiments. Frontiers in Genetics. 4, 178 (2013).
  16. Rocke, D. M., et al. Excess False Positive Rates in Methods for Differential Gene Expression Analysis using RNA-Seq Data. bioRxiv. , (2015).
  17. Agarwal, A., et al. Comparison and calibration of transcriptome data from RNA-Seq and tiling arrays. BMC genomics. 11, 383 (2010).
  18. Leng, N., et al. EBSeq: an empirical Bayes hierarchical model for inference in RNA-seq experiments. Bioinformatics. 29, 1035-1043 (2013).

Перепечатки и разрешения

Запросить разрешение на использование текста или рисунков этого JoVE статьи

Запросить разрешение

Смотреть дополнительные статьи

175

This article has been published

Video Coming Soon

JoVE Logo

Исследования

Образование

О JoVE

Авторские права © 2025 MyJoVE Corporation. Все права защищены