Name: three differential expression analysis methods for rna sequencing: limma, edger, deseq2
Uploaded: 2021-09-18T14:00:00
Description: Watch this Scientific Journal Video about Three Differential Expression Analysis Methods for RNA Sequencing: limma, EdgeR, DESeq2 at JoVE.com

Diese Arbeit wurde von der National Natural Science Foundation of China (Grant No. 81860276) und Key Special Fund Projects des National Key R&D Program (Grant No. 2018YFC1003200) unterstützt.

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
<ol><li>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.<ol>
<li>Klicken Sie auf Ausführen, um R-Pakete zu installieren.</li>
		<li>K...

<ol>
	<li>Tambonis, T., Boareto, M., Leite, V. B. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Differential+Expression+Analysis+in+RNA-seq+Data+Using+a+Geometric+Approach.">Differential Expression Analysis in RNA-seq Data Using a Geometric Approach.</a> Journal of Computational Biology. 25, 1257-1265 (2018).</li><li>Wang, Z., Gerstein, M., Snyder, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=RNA-Seq:+a+revolutionary+tool+for+transcriptomics.">RNA-Seq: a revolutionary tool for transcriptomics.</a> Nature Reviews. Genetics. 10, 57-63 (2009).</li><li>Anders, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Count-based+differential+expression+analysis+of+RNA+sequencing+data+using+R+and+Bioconductor.">Count-based differential expression analysis of RNA sequencing data using R and Bioconductor.</a> Nature Protocols. 8, 1765-1786 (2013).</li><li>McDermaid, A., Monier, B., Zhao, J., Liu, B., Ma, Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Interpretation+of+differential+gene+expression+results+of+RNA-seq+data:+review+and+integration.">Interpretation of differential gene expression results of RNA-seq data: review and integration.</a> Briefings in Bioinformatics. 20, 2044-2054 (2019).</li><li>Costa-Silva, J., Domingues, D., Lopes, F. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=RNA-Seq+differential+expression+analysis:+An+extended+review+and+a+software+tool.">RNA-Seq differential expression analysis: An extended review and a software tool.</a> PloS One. 12, 0190152 (2017).</li><li>Law, C. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=RNA-seq+analysis+is+easy+as+1-2-3+with+limma,+Glimma+and+edgeR.">RNA-seq analysis is easy as 1-2-3 with limma, Glimma and edgeR.</a> F1000Research. 5, (2016).</li><li>Varet, H., Brillet-Gu&#233;guen, L., Copp&#233;e, J. Y., Dillies, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=SARTools:+A+DESeq2-+and+EdgeR-Based+R+Pipeline+for+Comprehensive+Differential+Analysis+of+RNA-Seq+Data.">SARTools: A DESeq2- and EdgeR-Based R Pipeline for Comprehensive Differential Analysis of RNA-Seq Data.</a> PloS One. 11, 0157022 (2016).</li><li>Ritchie, M. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=limma+powers+differential+expression+analyses+for+RNA-sequencing+and+microarray+studies.">limma powers differential expression analyses for RNA-sequencing and microarray studies.</a> Nucleic Acids Research. 43, 47 (2015).</li><li>Robinson, M. D., McCarthy, D. J., Smyth, G. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=edgeR:+a+Bioconductor+package+for+differential+expression+analysis+of+digital+gene+expression+data.">edgeR: a Bioconductor package for differential expression analysis of digital gene expression data.</a> Bioinformatics. 26, 139-140 (2010).</li><li>Love, M. I., Huber, W., Anders, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Moderated+estimation+of+fold+change+and+dispersion+for+RNA-seq+data+with+DESeq2.">Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2.</a> Genome Biology. 15, 550 (2014).</li><li>Gentleman, R. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Bioconductor:+open+software+development+for+computational+biology+and+bioinformatics.">Bioconductor: open software development for computational biology and bioinformatics.</a> Genome Biology. 5, 80 (2004).</li><li>Law, C. W., Chen, Y., Shi, W., Smyth, G. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=voom:+Precision+weights+unlock+linear+model+analysis+tools+for+RNA-seq+read+counts.">voom: Precision weights unlock linear model analysis tools for RNA-seq read counts.</a> Genome Biology. 15, 29 (2014).</li><li>Smyth, G. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Linear+models+and+empirical+bayes+methods+for+assessing+differential+expression+in+microarray+experiments.">Linear models and empirical bayes methods for assessing differential expression in microarray experiments.</a> Statistical Applications in Genetics and Molecular Biology. 3, (2004).</li><li>Lund, S. P., Nettleton, D., McCarthy, D. J., Smyth, G. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Detecting+differential+expression+in+RNA-sequence+data+using+quasi-likelihood+with+shrunken+dispersion+estimates.">Detecting differential expression in RNA-sequence data using quasi-likelihood with shrunken dispersion estimates.</a> Statistical Applications in Genetics and Molecular Biology. 11, (2012).</li><li>Reeb, P. D., Steibel, J. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Evaluating+statistical+analysis+models+for+RNA+sequencing+experiments.">Evaluating statistical analysis models for RNA sequencing experiments.</a> Frontiers in Genetics. 4, 178 (2013).</li><li>Rocke, D. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Excess+False+Positive+Rates+in+Methods+for+Differential+Gene+Expression+Analysis+using+RNA-Seq+Data.">Excess False Positive Rates in Methods for Differential Gene Expression Analysis using RNA-Seq Data.</a> bioRxiv. , (2015).</li><li>Agarwal, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Comparison+and+calibration+of+transcriptome+data+from+RNA-Seq+and+tiling+arrays.">Comparison and calibration of transcriptome data from RNA-Seq and tiling arrays.</a> BMC genomics. 11, 383 (2010).</li><li>Leng, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EBSeq:+an+empirical+Bayes+hierarchical+model+for+inference+in+RNA-seq+experiments.">EBSeq: an empirical Bayes hierarchical model for inference in RNA-seq experiments.</a> Bioinformatics. 29, 1035-1043 (2013).</li></ol>

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...

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 verbessert1,2. 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 Tumoren3,4,5angesehen. Derzeit wurden weitere Open-Source-R/Bioconductor-Pakete für die RNA-seq-Differentialexpressionsanalyse entwickelt, insbesondere limma, DESeq2 und EdgeR1,6,7. 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 Limma8,9notwendig, 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.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>R</td>
			<td></td>
			<td>version 3.6.2</td>
			<td>free software</td>
		</tr>
		<tr>
			<td>Rstudio</td>
			<td></td>
			<td></td>
			<td>free software</td>
		</tr>
	</tbody>
</table>

three differential expression analysis methods for rna sequencing: limma, edger, deseq2

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.

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...

Watch this Scientific Journal Video about Three Differential Expression Analysis Methods for RNA Sequencing: limma, EdgeR, DESeq2 at JoVE.com

Three Differential Expression Analysis Methods for RNA Sequencing: limma, EdgeR, DESeq2

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

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

RNA sequencing (RNA-seq) is one of the most widely used technologies in transcriptomics as it can reveal the relationship between the genetic alteration ...

Drei Methoden der differentiellen Expressionsanalyse für die RNA-Sequenzierung: limma, EdgeR und DESeq2. Öffnen Sie das Programm RStudio, und laden Sie dann die Datei R, DEGs. Die Datei kann aus ergänzenden Dateien erworben werden. Eins.Herunterladen und Vorverarbeitung von Daten.1.1. Laden Sie die Hochdurchsatz-Sequenzierungsdaten des Cholangiokarzinoms aus dem Cancer Genome Atlas herunter. Diese Registerkarte kann leicht mit dem folgenden Code erreicht werden.Klicken Sie auf Ausführen, um das R-Paket zu installieren. Klicken Sie auf Ausführen, um das R-Paket zu laden. Legen Sie das Arbeitsverzeichnis fest.Wählen Sie die Krebsart. Führen Sie R-Code aus der GDCquery-Datei aus, um die Daten herunterzuladen. Die Datei GDCquery kann aus ergänzenden Dateien/Skripten erworben werden.Nach der Ausführung können die Cholangiokarzinom-RNA-Sequenzierungszähldaten heruntergeladen und CNT genannt werden, wobei Zeilen Ensemble-Gen-IDs und Spalten Symbol-IDs darstellen. Bitte beachten Sie die Zahlen an den Positionen 14 bis 15 in den Symbol-IDs. Die Zahlen reichen von 01 bis 09 und weisen auf Tumore und 10 bis 19 auf normale Gewebe hin.1.2.Konversation von Ensemble-Gen-IDs zu Gensymbolen. Importieren Sie die Anmerkungsdatei entsprechend ihrem Speicherpfad in R. Die Anmerkungsdatei kann aus ergänzenden Dateien entnommen werden.Führen Sie den R-Code aus der Datei gtf v22 aus. Die aus ergänzenden Dateien/Skripten erworben werden können. Apply inn"function und um die Ensemble-Gen-IDs in Gensymbole umzuwandeln.1.3.Filtern Sie niedrig exprimierte Gene. Klicken Sie auf Ausführen, um Paket edgeR zu installieren"Klicken Sie auf Ausführen, um das R-Paket edgeR zu laden"Führen Sie folgenden R-Code aus, um Gene mit Einer Anzahl pro Million Von mehr als einem in mindestens zwei Stichproben zu halten. Zwei. Analyse differenzieller Ausdrücke durch limma"Klicken Sie auf Ausführen, um das R-Paket limma zu installieren"Klicken Sie auf Ausführen, um das R-Paket limma zu laden"edgeR"Führen Sie den folgenden R-Code aus, um eine Entwurfsmatrix zu erstellen.Extrahieren Sie Gruppeninformationen. Setzen Sie 01" als Tumorgewebe. Stellen Sie 11 "als normales Gewebe ein.Erstellen Sie eine Designmatrix. Erstellen Sie das DGEList-Objekt. Normalisieren Sie die Daten.Führen Sie den folgenden R-Code aus, um die auf der Limma-Trend-Methode basierende Differentielle Ausdrucksanalyse durchzuführen. Berechnen Sie den CPM-Wert. Klicken Sie auf Ausführen, um ein lineares Modell anzupassen, um die Daten vorherzusagen oder die Beziehung zwischen Variablen abzuleiten.Berechnen Sie den T-Wert, den F-Wert und die Log-Quoten basierend auf Bayesian. Extrahieren Sie die Ergebnistabelle. Die Ergebnisse der Differentialausdrucksanalyse werden in res_limma" gespeichert, die den log2-fachen Änderungswert enthält.Das durchschnittliche log2-Expressionsniveau des Gens im Experiment. Die modifizierte T-Statistik, der P-Wert, die falsche Entdeckungsrate korrigierten den p-Wert und die Log-Quoten differentiell exprimierter Gene. Identifizieren Sie die differentiell exprimierten Gene.Der angepasste P-Wert kleiner als 0,05 und der absolute Wert der log-falschen Veränderung größer oder gleich zwei sind also Schwellenwerte, um die differentiell exprimierten Gene zu screenen. Die Ergebnisse zeigen, dass im Vergleich zu den normalen Geweben 1.443 Gene hochreguliert und 1.880 Gene in Cholangiokarzinomgeweben herunterreguliert sind. Geben Sie die Ergebnistabelle in eine Datei aus.Klicken Sie auf Ausführen, um das R-Paket ggplot2 zu installieren"Klicken Sie auf Ausführen, um das R-Paket ggplot2 zu laden"Führen Sie R-Code aus der Vulkandatei aus, um das Vulkandiagramm zu erstellen, und die Datei Volcano kann aus zusätzlichen Dateien erworben werden. Gene können entsprechend ihrer log2-fachen Änderung und angepassten P-Werten auf verschiedene Positionen abgebildet werden. So sind hochregulierte differentiell exprimierte Gene rot eingefärbt.und die herunterregulierten differentiell exprimierten Gene sind grün gefärbt. Klicken Sie auf "Exportieren", um das Vulkandiagramm zu speichern. Drei. Analyse differenzieller Ausdrücke durch edgeR"Klicken Sie auf Ausführen, um das R-Paket edgeR zu laden"Führen Sie den folgenden R-Code aus, um eine Entwurfsmatrix zu erstellen.Klicken Sie auf Ausführen, um das DGEList-Objekt zu erstellen und die Daten zu normalisieren. Klicken Sie auf Ausführen, um die Streuung des Genexpressionswerts zu schätzen. Klicken Sie auf Ausführen, um das Modell zum Zählen von Daten anzupassen.Führen Sie statistische Tests durch. Extrahieren Sie die Ergebnistabelle. Das Ergebnis wird in res edgeR gespeichert, das den Änderungswert für die Protokollfaltung, logCPM, F, p-Wert und den korrigierten p-Wert für die falsche Erkennungsrate enthält.Identifizieren Sie die differentiell exprimierten Gene. Das Ergebnis res edgeR" zeigt, dass im Vergleich zu den normalen Geweben 3.121 Gene hochreguliert und 1.578 Gene im Cholangiokarzinomgewebe herunterreguliert sind. Geben Sie die Ergebnistabelle in eine Datei aus.Erstellen Sie das Vulkandiagramm. Klicken Sie auf Exportieren, um das Vulkandiagramm zu speichern. Vier. Differentialexpressionsanalyse durch DESeq2.Klicken Sie auf Ausführen, um das R-Paket DESeq2 zu installieren"Klicken Sie auf Ausführen, um das R-Paket DESeq2 zu laden"Führen Sie den folgenden R-Code aus, um den Tastenfaktor zu bestimmen. Erstellen Sie das DESeq2-Datensatzobjekt. Führen Sie Analysen durch.Generieren Sie die Ergebnistabelle. Das Ergebnis wird in res DESeq2 gespeichert, das den Mittelwert der normalisierten Leseanzahl, den Änderungswert für die Protokollfaltung, den Standardpfeil zur Änderung der Protokollfalte, die Schweißstatistik, den ursprünglichen P-Wert und den korrigierten P-Wert enthält. Identifizieren Sie DEGs.Das Ergebnis von DESeq2 zeigt, dass im Vergleich zu den normalen Geweben zweitausendneunhundertachtunddreißig Gene hochreguliert sind und eintausendsechshundertsechzehn Gene in Cholangiokarzinomgeweben herunterreguliert sind. Geben Sie die Ergebnistabelle in eine Datei aus. Erstellen Sie das Vulkandiagramm.Klicken Sie auf Exportieren, um das Vulkandiagramm zu speichern. Fünf. Venn-Diagramm. Klicken Sie auf Ausführen, um das Venn-Diagramm des R-Pakets zu installieren.Klicken Sie auf Ausführen, um das Venn-Diagramm des R-Pakets zu laden. Erstellen Sie ein Venendiagramm von hochregulierten differentiell exprimierten Genen. Klicken Sie auf Exportieren, um das Van-Diagramm zu speichern, Erstellen Sie ein Venn-Diagramm von herunterregulierten differentiell exprimierten Genen.Klicken Sie auf Exportieren, um das Venn-Diagramm zu speichern. Sechs. Repräsentative Ergebnisse. Abbildung eins zeigt die Vulkandiagramme aller Gene, die von limma, edgeR und DESeq2 erworben wurden.Der negative log p-Wert wird mit der Änderung der Logfaltung auftreibt. Rote Punkte repräsentieren die hochregulierten differentiell exprimierten Gene, und die grünen Punkte repräsentieren die herunterregulierten differentiell exprimierten Gene. Limma identifiziert die eintausendachthundertachtzig herunterregulierten differentiell exprimierten Gene und die eintausendvierhundertdvierundvierzig hochregulierten differentiell exprimierten Gene in Cholangiokarzinomgeweben.EdgeR identifiziert die eintausendfünfhundertachtundsiebzig herunterregulierten differentiell exprimierten Gene und dreitausendeinhunderteinundzwanzig hochregulierte differentiell exprimierte Gene. DESeq2 identifizieren eintausendsechshundertsechzehn herunterregulierte differentiell exprimierte Gene und zweitausendneunhundertachtunddreißig hochregulierte differentiell exprimierte Gene. Abbildung zwei, Venn-Diagramme zeigen Überlappungen zwischen den Ergebnissen, die von limma edgeR und DESeq2 geteilt werden.Vergleichen Sie die Ergebnisse dieser drei Methoden, Eintausendvierhunderteinunddreißig hochregulierte differentiell exprimierte Gene, und eintausendfünfhunderteinunddreißig herunterregulierte differentiell exprimierte Gene überlappen sich. Sieben.Fazit. In diesem Protokoll haben wir hier ein detailliertes Protokoll verschiedener Arten der Messanalyse für eine hohe Sequenz von Zähldaten unter Verwendung von R-Paketen, Limma, EdgeR und DESeq2 bereitgestellt. Drei Methoden haben ähnliche und Stabs unter ihrem Prozess ihrer Analyse.Und dann überschneiden sich ihre von diesen drei Medikamenten teilweise. Alle drei Medikamente haben ihre eigenen Vorteile. Und die Wahl hängt nur von der Zeit Ihrer Daten ab.Wenn es meine aktuellen Daten gibt, sollte Limma mit Priorität angegeben werden, aber Generierungssequenzierungsdaten in edgeR und DESeq2 werden bevorzugt.

Research

JoVE Journal

Cancer Research

Using RNA-sequencing to Detect Novel Splice Variants Related to Drug Resistance in In Vitro Cancer Models

Using RNA-sequencing to Detect Novel Splice Variants Related to Drug Resistance in In Vitro Cancer Models

Mit RNA-Sequenzierung Neuartige Splice-Varianten zu Arzneimittelresistenz mit Bezug zu erkennen in<em&gt; In Vitro</em&gt; Cancer Models

Drug resistance remains a major problem in the treatment of cancer for both hematological malignancies and solid tumors. Intrinsic or acquired resistance ...

Forschung

Krebsforschung

Two-dimensional Gel Electrophoresis Coupled with Mass Spectrometry Methods for an Analysis of Human Pituitary Adenoma Tissue Proteome

Zweidimensionaler Gelelektrophorese gekoppelt mit Massenspektrometrie Methoden für eine Analyse der menschlichen Hypophyse Adenom Gewebe Proteom

Human pituitary adenoma (PA) is a common tumor that occurs in the human pituitary gland in the hypothalamus-pituitary-targeted organ axis systems, and may ...

Generation of High-Throughput Three-Dimensional Tumor Spheroids for Drug Screening

Generation von Hochdurchsatz-dreidimensionale Tumor Sphäroide für Drogen-Screening

Cancer cells have routinely been cultured in two dimensions (2D) on a plastic surface. This technique, however, lacks the true environment a tumor mass is ...

Three-Dimensional Bone Extracellular Matrix Model for Osteosarcoma

Dreidimensionale extrazelluläre Matrix Knochenmodell für Osteosarkom

Osteosarcoma (OS) is the most common and a highly aggressive primary bone tumor. It is characterized with anatomic and histologic variations along with ...

Sequencing Small Non-coding RNA from Formalin-fixed Tissues and Serum-derived Exosomes from Castration-resistant Prostate Cancer Patients

Sequenzierung kleiner nicht-kodierender RNA aus formalinfixierten Geweben und Serum-abgeleiteten Exosomen von kastrationsresistenten Prostatakrebspatienten

Ablation of androgen receptor (AR) signaling by androgen deprivation is the goal of the first line of therapy for prostate cancer that initially results ...

Evaluating Cell Death Using Cell-Free Supernatant of Probiotics in Three-Dimensional Spheroid Cultures of Colorectal Cancer Cells

Evaluierung des Zelltods mit zellfreiem Überstand von Probiotika in dreidimensionalen sphäroiden Kulturen von Darmkrebszellen

This manuscript describes a protocol to evaluate cancer cell deaths in three dimensional (3D) spheroids of multicellular types of cancer cells using ...

An Automated Differential Nuclear Staining Assay for Accurate Determination of Mitocan Cytotoxicity

Ein automatisierter Differential-Nuklearfärbungstest zur genauen Bestimmung der Mitocan-Zytotoxizität

The contribution of mitochondria to oncogenic transformation is a subject of wide interest and active study. As the field of cancer metabolism becomes ...

Spatial Profiling of Protein and RNA Expression in Tissue: An Approach to Fine-Tune Virtual Microdissection

Räumliches Profiling der Protein- und RNA-Expression im Gewebe: Ein Ansatz zur Feinabstimmung der virtuellen Mikrodissektion

Multiplexing enables the assessment of several markers on the same tissue while providing spatial context. Spatial Omics technologies allow both protein ...

Phospholipid Mediator Induced Transformation in Three-Dimensional Cultures

Phospholipid-Mediator-induzierte Transformation in dreidimensionalen Kulturen

Several models have been developed to study cancer, such as rodent models and established cell lines. Valuable insights into carcinogenesis have been ...

Transmitochondrial Cybrid Generation From Suspension-Growing Cancer Cells

Transmitochondrial Cybrid Generation Using Cancer Cell Lines

Transmitochondrial Cybrid Generation Using Cancer Cell Lines (Video) | JoVE 

Transmitochondriale Cybrid-Generierung mit Hilfe von Krebszelllinien

In recent years, the number of studies dedicated to ascertaining the connection between mitochondria and cancer has significantly risen. However, more ...