Build your ultimate AI agent
รายละเอียดคอร์ส
RNA-Seq เป็นวิธีการ next-generation sequencing ที่น่าสนใจ ใช้สำหรับระบุยีนและเส้นทางชีวภาพที่เกี่ยวข้องกับโรคหรือภาวะต่าง ๆ เมื่อการ sequencing แบบ high-throughput มีราคาถูกลงและเข้าถึงได้ง่ายขึ้นสำหรับนักวิจัยในวงกว้าง ทักษะในการวิเคราะห์ข้อมูลประเภทนี้จึงมีคุณค่ามากขึ้นเรื่อย ๆ มาเรียนรู้เกี่ยวกับขั้นตอนการทำงานของ RNA-Seq และวิธีระบุยีนและกระบวนการทางชีวภาพที่อาจมีความสำคัญต่อภาวะที่คุณสนใจไปพร้อมกัน เราจะเริ่มต้นด้วยภาพรวมของขั้นตอน RNA-Seq โดยเน้นที่การวิเคราะห์การแสดงออกที่แตกต่างกัน (differential expression หรือ DE) จากนั้นจะครอบคลุมการเตรียมข้อมูลสำหรับการวิเคราะห์ DE การประเมินคุณภาพของข้อมูล count การระบุค่าผิดปกติ และการตรวจหาแหล่งที่มาหลักของความแปรปรวนในข้อมูล โดยใช้แพ็กเกจ DESeq2 ใน R เพื่อสร้างโมเดลข้อมูล count ด้วย negative binomial model และทดสอบหายีนที่มีการแสดงออกแตกต่างกัน นอกจากนี้จะมีการแสดงผลลัพธ์ด้วย heatmap และ volcano plot รวมถึงการระบุและบันทึกยีนที่มีการแสดงออกแตกต่างกันอย่างมีนัยสำคัญ
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
บทนำสู่ทฤษฎีและขั้นตอนการทำงานของ RNA-Seq
ในบทนี้จะสำรวจว่าเราสามารถทำอะไรได้บ้างกับข้อมูล RNA-Seq และเหตุใดจึงน่าสนใจ พร้อมเรียนรู้เกี่ยวกับขั้นตอนและข้อพิจารณาต่าง ๆ ในขั้นตอนการทำงานของ RNA-Seq
2
การวิเคราะห์ข้อมูลเชิงสำรวจ
ในบทนี้จะทำการตรวจสอบคุณภาพข้อมูล count ของ RNA-Seq โดยใช้ heatmap และการวิเคราะห์องค์ประกอบหลัก (principal component analysis) เพื่อสำรวจความคล้ายคลึงระหว่างตัวอย่างและตรวจหาตัวอย่างที่เป็นค่าผิดปกติ
3
การวิเคราะห์การแสดงออกที่แตกต่างกันด้วย DESeq2
ในบทนี้จะดำเนินการวิเคราะห์การแสดงออกที่แตกต่างกัน สร้างผลลัพธ์ และระบุยีนที่มีการแสดงออกแตกต่างกัน
4
การสำรวจผลลัพธ์จากการวิเคราะห์การแสดงออกที่แตกต่างกัน
ในบทสุดท้ายนี้จะสำรวจผลลัพธ์จากการวิเคราะห์การแสดงออกที่แตกต่างกันด้วยการแสดงผลในรูปแบบต่าง ๆ เช่น heatmap และ volcano plot พร้อมทบทวนขั้นตอนการวิเคราะห์และสรุปขั้นตอนการทำงานของ DE ด้วย DESeq2
R
RNA-Seq ด้วย Bioconductor ใน R
เรียนจบแล้ว
