DiCoExpress, kalite kontrolünden birlikte ifadeye kadar eksiksiz bir aoristik analiz sağlar. Genelleştirilmiş doğrusal modelin içindeki kontrastlara dayalı diferansiyel analiz gerçekleştirir. Ayrıca, diferansiyel olarak eksprese edilen genler ve birlikte eksprese edilen gen kümeleri listesinde bir zenginleştirme analizi de yapabilir.
DiCoExpress'in temel avantajı, istatistik veya hava programlamada herhangi bir özel bilgi sahibi olmadan, tıpkı benim gibi insanlar tarafından kullanılabilmesidir. Uzman olmayan bir kullanıcının diferansiyel gen ekspresyon analizi için gerekli kontrastı yazmasına gerçekten yardımcı olur. Ayrıca, yayınlanmaya hazır sonuçları gösteren grafik çıktılar sağlar.
DiCoExpress plana özel bir araç değildir. Deneysel tasarım iki biyolojik faktöre kadar tamamlandığı sürece herhangi bir organizma için kullanılabilir. Ayrıca, koşullar arasında eşit olmayan sayıda replikasyona sahip bir membranın tasarımı da mümkündür.
Yeni başlayanlar R.Bir fonksiyonun nasıl kullanılacağını ve gerekli ve isteğe bağlı argümanları nasıl tanımlayacağınızı bilmelisiniz. Daha sonra kritik adım, deneysel tasarımı içeren dosyaları doğru bir şekilde sağlamaktır. Başlamak için R stüdyo oturumunu açın.
Dizini şablon komut dosyalarına ayarlayın ve DiCoExpress öğreticisi nokta R komut dosyasını açın. DiCoExpress işlevlerini R oturumuna yükleyin. Ardından veri dosyalarını R oturumuna yükleyin ve dosyaları kolayca işlemek için nesne veri dosyalarını birkaç nesneye bölün.
Ardından, NB koşulları veya NB replikasyonları arasında bir strateji ve düşük ekspres genleri filtrelemek için bir eşik seçin. Grup renklerini belirtin ve bir normalleştirme yöntemi seçin. Ardından kalite kontrolünü gerçekleştirin.
Veriler çoğaltma faktörü durumuna göre eşleştirilirse doğru olarak çoğaltılır, aksi takdirde yanlış olarak durum oluşturulur. İki biyolojik faktör arasındaki etkileşimi göz önünde bulundurmak için etkileşimi doğru olarak atayın. Aksi takdirde false atayın, ardından istatistiksel modeli belirtin ve yanlış keşif oranının eşiğini tanımlayın.
Diferansiyel analizi gerçekleştirin, ardından zenginleştirme analizi için bir eşik belirleyin ve farklı olarak ifade edilen gen listelerinin zenginleştirme analizini gerçekleştirin. Karşılaştırılacak DEG listelerini seçin. Liste karşılaştırması için bir ad girin ve çıktı dosyalarının kaydedileceği dizin için aynı adı kullanın.
DEG listelerinde yapılacak eylemi belirtmek için parametre işlemini birleşim veya kesişim olarak ayarlayın ve listeleri karşılaştırın. Bir ortak ifade analizi yapın ve ardından birlikte ifade kümelerinin zenginleştirme analizini yapın. Ve sonunda, analizi yeniden üretmek için gerekli tüm bilgileri içeren iki günlük dosyası oluşturun.
Numune başına toplam normalleştirilmiş sayımlar, hem intra hem de inter koşullarını karşılaştırırken benzer olmalıdır. Normalleştirilmiş gen ekspresyon sayımları, hem intra hem de inter koşullarda benzer medyan ve varyans sergiledi. Altta yatan potansiyel veri yapılarını tanımlamak için, PCA grafikleri oluşturuldu.
Tedaviler arasında net bir ayrım gözlendi ve kümelenme yoktu, bu da kaliteli bir veri setini gösteriyordu. Ham pvalue histogramları, modellemenin kalitesini değerlendirmek için çizildi. Ham değerlerin dağılımı, beklendiği gibi, dağılımın sol ucunda bir tepe noktası ile tekdüzeydi.
Sağ tarafta bir tepe noktasının olmaması, istatistiksel modellemenin doğru göründüğünü gösterir. Her genotip ve durumda Gene CIG62301.1'in ekspresyon profili çizildi. Farklı şekilde ifade edilen yukarı ve aşağı genlerin sayısının yanı sıra, test edilen her kontrast için de çizildi.
Eş ifade analizi, beş DEG listesinin birleştirilmesi üzerine gerçekleştirilmiştir. Buna karşılık, bir veya iki genotip arasında diğerlerine karşı tedavi yanıtı varyasyonu aranır. Tanımlanan her küme için birlikte eksprese edilen genler ayrı ayrı metin dosyalarında basıldı ve genlerin ekspresyon profili çizildi.
DiCoExpress ile biyologlar istatistiksel olarak sağlam olan gen ekspresyon analizi alacaklar. Bir sonraki adım, bu sonuçlardan biyolojik olarak mantıklı olmaktır.
