Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Funktionelle Genomik-Technologien wie Microarrays, Sequenzierung und Massenspektrometrie ermöglichen es, Genexpressionswerte im gesamten Genom unvoreingenommen zu messen. Egal, ob du eigene Daten erzeugst oder die Vielzahl öffentlich verfügbarer Datensätze erkunden willst: Zunächst musst du lernen, wie man solche Experimente auswertet. In diesem Kurs lernst du, wie du mit dem vielseitigen R/Bioconductor-Paket limma für gängige Studiendesigns eine differentielle Expressionsanalyse durchführst. Außerdem erfährst du, wie du die Daten vorverarbeitest, Batch-Effekte identifizierst und korrigierst, die Ergebnisse visuell beurteilst und Enrichment-Tests durchführst. Nach Abschluss dieses Kurses verfügst du über allgemeine Analyse-Strategien, um aus jeder Studie der funktionellen Genomik Erkenntnisse zu gewinnen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Differenzielle Expressionsanalyse
Zum Einstieg wiederholst du die Ziele der differentiellen Expressionsanalyse, verwaltest Genexpressionsdaten mit R und Bioconductor und führst deine erste differentielle Expressionsanalyse mit limma durch.
- Differenzielle Expressionsanalyse50 XP
- Anwendungen der Differential-Expressionsanalyse50 XP
- Differential-Expressionsdaten50 XP
- Erstelle ein Boxplot100 XP
- Die Klasse ExpressionSet50 XP
- Erstelle ein ExpressionSet-Objekt100 XP
- Erzeuge ein Boxplot mit einem ExpressionSet-Objekt100 XP
- Das limma-Paket50 XP
- Spezifiziere ein lineares Modell zum Vergleich von 2 Gruppen100 XP
- Teste auf differentielle Expression zwischen 2 Gruppen100 XP
2
Flexible Modelle für gängige Studiendesigns
In diesem Kapitel lernst du, wie du lineare Modelle für gängige experimentelle Designs konstruierst, um auf differentielle Expression zu testen.
3
Vor- und Nachverarbeitung
Nachdem du nun gelernt hast, wie man Tests auf differentielle Expression durchführt, lernst du als Nächstes, wie du Feature-Daten normalisierst und filterst, technische Batch-Effekte prüfst und die Ergebnisse bewertest.
4
Fallstudie: Wirkung einer Doxorubicin-Behandlung
In diesem letzten Kapitel setzt du deine neuen Fähigkeiten ein, um eine End-to-End-Analyse der differentiellen Expression für eine Studie mit faktorialem Design durchzuführen, die die Wirkung des Krebsmedikaments Doxorubicin auf die Herzen von Mäusen mit unterschiedlichen genetischen Hintergründen untersucht.
R
Differenzielle Expressionsanalyse mit limma in R
Kurs
abgeschlossen
