Kurs
R’ye Giriş
4 sa
3.1M
Bu eğitimde Bioconductor ekosistemiyle tanışacaksınız. Böylece, bir araştırmacının çıkarımlarının önemini kanıtlaması gerektiği gibi, biyolojik deneyinizin sonuçları üzerinde hesaplamalı ve istatistiksel analiz yapabileceksiniz. Başka bir deyişle, bu projeyi kullanarak verilerinizin hipotezinizle tutarlı olup olmadığını gösterebileceksiniz. Ayrıca, bilimsel sorunuzu istatistiksel olarak, çok fazla zaman ve para harcamadan doğrulayabilirsiniz.
Kısaca, bu eğitim şu konuları netleştirecek:
- Bioconductor nedir?
- Bioconductor R Paketleri neyi ifade eder?
- Nasıl kullanabiliriz?
Kısa Bir Genel Bakış
Bioconductor: Yüksek verimli genomik verilerin analizi ve kavranması
Bioconductor, hesaplamalı biyoloji ve biyoinformatik için açık bir yazılım geliştirme girişimidir. Bu, hesaplamalı biyoloji topluluğuna yönelik açık kaynaklı ve açık geliştirme süreçli bir yazılım projesidir. Açık kaynaktır çünkü herkes alttaki kodu okuyup değiştirebilir; açık geliştirmedir çünkü herkes koda katkıda bulunabilir ve geliştirme sürecine katılabilir. Veri bilimi için yaygın olarak kullanılan ve özellikle veri analizi için esnek bir dil olan R dilini kullanır. R ayrıca yüksek kaliteli görselleştirme olanaklarına sahiptir ve diğer dillerle kolayca köprü kurabilir. Bioconductor, genomik verilerin analizi için güçlü istatistiksel ve grafiksel yöntemlere erişim sağlar. Ayrıca GenBank, GO, LocusLink ve PubMed gibi biyolojik üstverilerin deneysel veri analizine entegre edilmesini kolaylaştırır.
Ek olarak, genişletilebilir, birlikte çalışabilir ve ölçeklenebilir yazılımların hızla geliştirilmesine olanak tanır. Bioconductor kullanılarak yüksek kaliteli dokümantasyon ve tekrarlanabilir araştırma da teşvik edilebilir. Bu, hesaplamalı ve istatistiksel yöntemlerde eğitim sağlar. Özetle, Bioconductor aşağıdaki gibi üç farklı kısma ayrılabilir:
| İstatistiksel Analiz | Kavrayış | Yüksek verim |
|---|---|---|
| Büyük veriler | Biyolojik bağlam | Sekanslama |
| Teknolojik yapaylıklar | Görselleştirme | Mikrodiziler |
| Tasarlanmış deneyler | Tekrarlanabilirlik | Akış sitometrisi |
Hesaplamalı biyolojide yapılan analizler, çoğu zaman belirli bir soruyu yanıtlamak için pek çok farklı aracın bir araya getirilmesini gerektirir. Bu da genellikle diğer araştırmacıların da kullanacağı bir pakete dönüşür. Dolayısıyla, Bioconductor aynı zamanda belirli kurallar ve ilkelere sahip bir R paketi deposudur. 3.7 sürümünde 1500’den fazla paket bulunmaktadır. Bu paketler dünya çapında binlerce araştırmacı tarafından kullanılmaktadır. Genellikle mükemmel bir dokümantasyona sahiptirler. Herkes katkıda bulunabildiğinden, belirli bir sorunu çözmek için birden fazla paket seçeneği olabilir. Bu da paket geliştiricileri arasında rekabetçi bir ortam yaratır.
Web sitesi, Bioconductor projelerini nasıl kuracağınız, öğreneceğiniz, kullanacağınız ve katkı sağlayacağınızla ilgili materyaller içerir. Proje 2001 Sonbaharında başlatılmış olup ABD, Avrupa ve Avustralya’da 20’den fazla çekirdek geliştiriciyi kapsamaktadır.
Özetle, Bioconductor yüksek verimli genomik verilerin istatistiksel analizi ve kavranmasına odaklanır. İstatistiksel analize odaklanmanın nedeni verinin doğasıdır. Modern yöntemler, mutlaka istatistiksel bir özet gerektiren çok büyük miktarda veri üretir. Araştırmacılar olarak, istatistiksel bir çerçevede odaklı, tasarlanmış deneyler yürütmeliyiz. Modern genetik veri türlerini üreten teknoloji ve sonrasında uygulanan laboratuvar protokolleri, istatistiksel tekniklerle ele alınması gereken teknolojik yapaylıklar içerir. Son olarak, sıkıştırılmış veri entegrasyonu zorlukları, dâhil olan adımların istatistiksel sonuçlarını dikkatle düşünmemizi gerektirir.
Bioconductor R Paketleri
Bioconductor yazılımı, R eklenti paketlerinden oluşur. Bir R paketi, belirli analiz türlerini gerçekleştirmek için (ör. affy, cluster, graph paketleri) kodların (R, C veya diğerleri), dokümantasyonun ve/veya verinin yapılandırılmış bir koleksiyonudur. Belirli istatistiksel ve grafiksel yöntemlerin uygulamalarını sağlar.
Bioconductor’ın en son sürümünde 1500’den fazla paket mevcuttur. Bunlar dört türde sınıflandırılabilir:
• Analiz yazılım paketleri: Yüksek verimli genomik verilerin analizine yönelik araçlar; ör. IMMAN, limma
• Açıklama paketleri: Tanımlayıcı eşlemler, gen modelleri, yolaklar vb. için statik veritabanları; ör. TxDb.Hsapiens.UCSC.hg19.knownGene
• Örnek deney verisi paketleri: Yazılım işlevselliğini göstermek için kullanılan veri kümeleri; ör. airway
• İş akışı paketleri: Biyolojinin belirli alanlarını, örneğin Proteomik gibi, açıklamak için birden fazla Bioconductor paketini içeren bir biyoinformatik iş akışını anlatan belgeler; ör. highthroughputassays
Başlıca Bioconductor Paketleri
-
GenomicRanges: Verileri ve açıklamayı betimlemek için ‘Ranges’;
GRanges(),GRangesList() -
Biostrings: DNA ve diğer diziler,
DNAStringSet() -
GenomicAlignments: Hizalanmış okumalar;
GAlignemts()ve türevleri -
GenomicFeatures, AnnotationDbi: açıklama kaynakları,
TxDbveorgpaketleri. -
SummarizedExperiment: deneysel verileri koordine etme
-
rtracklayer: Genom açıklamalarını içe aktarma; ör. BED, WIG, GTF vb.
Bioconductor’ın Kullanımı
Kurulum
Bioconductor’ı ilk kez kullanırken, önce R’ın en son sürümünü edinmeli ve ardından R’ı başlatıp aşağıdaki komutları girerek Bioconductor’ın en son sürümünü kurmalıyız:
## try http:// if https:// URLs are not supported
source("https://bioconductor.org/biocLite.R")
biocLite()Bu komutlarla, Bioconductor’ın son sürümündeki tüm çekirdek paketler kurulacaktır. Bioconductor deposunda bulunan IMMAN ve GenomicRanges gibi belirli paketleri kurmak için, paket sayfasındaki yönergeleri ya da aşağıdaki gibi bir komutu kullanabiliriz:
source("https://bioconductor.org/biocLite.R")
biocLite(c( "Biostrings", "GenomicRanges", "IMMAN"))BiocInstaller paketindeki biocLite() işlevi, R’deki yaygın install.packages() işlevi yerine paket kurulumu için kullanılır. Bunun nedeni, Bioconductor’ın CRAN’den ayrı bir depoya sahip olması ve sürüm takviminin R’dan farklı olmasıdır. Bu durum R ve Bioconductor sürüm takvimleri arasında uyumsuzluğa yol açabilir. Bu nedenle install.packages()’ın belirlediği sürüm çoğu zaman mevcut en güncel ‘release’ olmayabilir.
Kullanım Örneği
İlk kurulumdan sonra, bu bölüm Bioconductor çalışma alanına daha aşina olmanız için basit örnekler sunar. Burada, Yüksek verimli sekanslama, İstatistiksel Analiz ve Kavrayış gibi Bioconductor projesinin farklı bileşenlerinden iki örnek bir araya getirilmiştir.
Başlangıç olarak, yüksek verimli verilerle tanışmak için DNA dizileriyle çalışacaksınız. Bunun için, büyük biyolojik dizileri işlemek üzere temel bir paket olan Biostring kullanmalısınız. Buradan, bir dizi DNAString’i (IUPAC Genişletilmiş Genetik Alfabeti’ni temel alan DNA alfabesine göre bir dize) depolamak için bir işlev olarak DNAStringSet()’i kullanabilirsiniz. Bu, girdiyi DNA baz tipinde bir XStringSet nesnesine dönüştürebilir. Harfler, hızlı arama algoritmalarını optimize edecek şekilde kodlanır.
library(Biostrings)
## Loading required package: BiocGenerics
## Loading required package: parallel
##
## Attaching package: 'BiocGenerics'
## The following objects are masked from 'package:parallel':
##
## clusterApply, clusterApplyLB, clusterCall, clusterEvalQ,
## clusterExport, clusterMap, parApply, parCapply, parLapply,
## parLapplyLB, parRapply, parSapply, parSapplyLB
## The following objects are masked from 'package:stats':
##
## IQR, mad, sd, var, xtabs
## The following objects are masked from 'package:base':
##
## anyDuplicated, append, as.data.frame, basename, cbind,
## colMeans, colnames, colSums, dirname, do.call, duplicated,
## eval, evalq, Filter, Find, get, grep, grepl, intersect,
## is.unsorted, lapply, lengths, Map, mapply, match, mget, order,
## paste, pmax, pmax.int, pmin, pmin.int, Position, rank, rbind,
## Reduce, rowMeans, rownames, rowSums, sapply, setdiff, sort,
## table, tapply, union, unique, unsplit, which, which.max,
## which.min
## Loading required package: S4Vectors
## Loading required package: stats4
##
## Attaching package: 'S4Vectors'
## The following object is masked from 'package:base':
##
## expand.grid
## Loading required package: IRanges
##
## Attaching package: 'IRanges'
## The following object is masked from 'package:grDevices':
##
## windows
## Loading required package: XVector
##
## Attaching package: 'Biostrings'
## The following object is masked from 'package:base':
##
## strsplit
dnaSequence <- DNAStringSet( c("AAACTG", "CCCAACCA") )
dnaSequence
## A DNAStringSet instance of length 2
## width seq
## [1] 6 AAACTG
## [2] 8 CCCAACCAArdından, DNA dizilerini tamamlayıcısını almak için complement() işlevini kullanabiliriz.
complement(dnaSequence)
## A DNAStringSet instance of length 2
## width seq
## [1] 6 TTTGAC
## [2] 8 GGGTTGGTDNAStringSet ve Biostrings gibi paketlerle çalışmayı öğrenmek, diğer paketlerde de işe yarar.
Başka bir örnekte, Bioconductor projesi içinde genomik konumları göstermek için özelleşmiş GenomicRanges paketini kullanmak istiyoruz. Bu paket, genomik aralıkları, genomik pozisyonları ve genomik aralık gruplarını göstermek için kullanılan üç sınıf (GRanges, GPos ve GRangesList) sunarak genomik analize bir temel sağlar.
GRanges sınıfı, her birinin gen üzerinde tek bir başlangıç ve bitiş konumuna sahip olduğu bir dizi genomik aralığı göstermek için kullanılır. Bitişik bağlanma bölgeleri, transkriptler ve ekzonlar gibi genomik özelliklerin konumunu depolar. Bu nesnelere aşağıdaki gibi GRanges kurucu işlevini kullanarak erişebiliriz:
library(GenomicRanges)
## Loading required package: GenomeInfoDb
grangeObj <-
GRanges(seqnames =
Rle(c("chr1", "chr2", "chr1", "chr3"), c(1, 3, 2, 4)),
ranges =
IRanges(1:10, end = 7:16, names = head(letters, 10)),
strand =
Rle(strand(c("-", "+", "*", "+", "-")),
c(1, 2, 2, 3, 2)),
score = 1:10,
GC = seq(1, 0, length=10))
grangeObj
## GRanges object with 10 ranges and 2 metadata columns:
## seqnames ranges strand | score GC
## <Rle> <IRanges> <Rle> | <integer> <numeric>
## a chr1 1-7 - | 1 1
## b chr2 2-8 + | 2 0.888888888888889
## c chr2 3-9 + | 3 0.777777777777778
## d chr2 4-10 * | 4 0.666666666666667
## e chr1 5-11 * | 5 0.555555555555556
## f chr1 6-12 + | 6 0.444444444444444
## g chr3 7-13 + | 7 0.333333333333333
## h chr3 8-14 + | 8 0.222222222222222
## i chr3 9-15 - | 9 0.111111111111111
## j chr3 10-16 - | 10 0
## -------
## seqinfo: 3 sequences from an unspecified genome; no seqlengthsSonuç, 10 genomik aralığa sahip bir GRanges nesnesidir. Görüldüğü gibi işlev, bilgiyi | sembolleriyle ayrılan sol ve sağ bölgelere ayırır. Genom koordinatları (seqnames, ranges ve strand) sol tarafta, üstveri sütunları (açıklama) ise sağ tarafta yer alır. Bu örnekte, üstveri skor ve GC bilgisini içerir. Ancak, bir GRanges nesnesinin üstveri kısmında neredeyse her şey saklanabilir.
seqnames(), ranges() ve strand() yardımcı işlevleri, bir GRanges nesnesi içindeki genomik koordinat bileşenlerini indirgemek için kullanılır. Örneğin,
seqnames(grangeObj)
## factor-Rle of length 10 with 4 runs
## Lengths: 1 3 2 4
## Values : chr1 chr2 chr1 chr3
## Levels(3): chr1 chr2 chr3
ranges(grangeObj)
## IRanges object with 10 ranges and 0 metadata columns:
## start end width
## <integer> <integer> <integer>
## a 1 7 7
## b 2 8 7
## c 3 9 7
## d 4 10 7
## e 5 11 7
## f 6 12 7
## g 7 13 7
## h 8 14 7
## i 9 15 7
## j 10 16 7
strand(grangeObj)
## factor-Rle of length 10 with 5 runs
## Lengths: 1 2 2 3 2
## Values : - + * + -
## Levels(3): + - *Son örnekte, projenin istatistiksel analiz kısmına dair basit bir örnek verilmektedir. Bu amaçla, Gen Ontolojisi (GO) sınıflandırması ele alınabilir. GO; gen işlevini ve bu kavramlar arasındaki ilişkileri açıklamak için kullanılan kavramların (moleküler işlev, hücresel bileşen ve biyolojik süreç) bir derlemesidir. Daha özelde, GO genleri ve gen ürünlerini ontoloji adı verilen bir grafiğe hiyerarşik olarak sınıflandırır. Uygun bir örneğe erişmek için clusterProfiler, DOSE ve org.Hs.eg.db adlı üç Bioconductor paketi kullanılabilir.
library("clusterProfiler")
##
## clusterProfiler v3.8.1 For help: https://guangchuangyu.github.io/software/clusterProfiler
##
## If you use clusterProfiler in published research, please cite:
## Guangchuang Yu, Li-Gen Wang, Yanyan Han, Qing-Yu He. clusterProfiler: an R package for comparing biological themes among gene clusters. OMICS: A Journal of Integrative Biology. 2012, 16(5):284-287.
library("DOSE")
## DOSE v3.6.1 For help: https://guangchuangyu.github.io/DOSE
##
## If you use DOSE in published research, please cite:
## Guangchuang Yu, Li-Gen Wang, Guang-Rong Yan, Qing-Yu He. DOSE: an R/Bioconductor package for Disease Ontology Semantic and Enrichment analysis. Bioinformatics 2015, 31(4):608-609
library("org.Hs.eg.db")
## Loading required package: AnnotationDbi
## Loading required package: Biobase
## Welcome to Bioconductor
##
## Vignettes contain introductory material; view with
## 'browseVignettes()'. To cite Bioconductor, see
## 'citation("Biobase")', and for packages 'citation("pkgname")'.
##clusterProfiler paketi, genlerin ve gen kümelerinin GO gibi işlevsel profillerini analiz etmek ve görselleştirmek için belirlenmiş yöntemlerden oluşur. Bunu kullanarak, farklı genleri benzerliklerine göre kümeleyebilirsiniz. Bu işleme örnek vermek için, DOSE paketinde kullanılan geneList veri kümesi iyi bir seçimdir. Bu veri kümesi gen kimliklerinin bilgi içeriğini barındırır. Öte yandan, org.Hs.eg.db paketi İnsan için genom çapında açıklamaları, yani genomik konumla ilgili bilgilerle zenginleştirilmiş genetik materyalin dizi temsillerini içerir.
data(geneList, package="DOSE")
gene <- names(geneList)[abs(geneList) > 2]enrichGO() işlevi, verilen bir gen vektörü üzerinde GO Zenginleştirme Analizi yapar. Zenginleştirme analizi, işlevsel özelliklerine göre önceden tanımlanmış sınıflara atanmış gen gruplarını ayırt etmeye yönelik bir yaklaşımdır. Zenginleştirilmiş sonuç çok genel terimler içerebilir. Bu işlevi kullanmak için “OrgDb” adlı bir argümanı doldurmanız gerekir. Bunun için, insan genomu çapında açıklamaları içeren org.Hs.eg.db paketi gereklidir. Bu paket, genomik konumla ilgili bilgilerle zenginleştirilmiş genetik materyalin dizi temsillerinden oluşur.
ego <- enrichGO(gene = gene,
universe = names(geneList),
OrgDb = org.Hs.eg.db,
ont = "CC",
pAdjustMethod = "BH",
pvalueCutoff = 0.01,
qvalueCutoff = 0.05,
readable = TRUE)
head(ego)
## ID Description GeneRatio
## GO:0005819 GO:0005819 spindle 25/201
## GO:0000779 GO:0000779 condensed chromosome, centromeric region 15/201
## GO:0072686 GO:0072686 mitotic spindle 14/201
## GO:0000775 GO:0000775 chromosome, centromeric region 18/201
## GO:0000776 GO:0000776 kinetochore 15/201
## GO:0000793 GO:0000793 condensed chromosome 18/201
## BgRatio pvalue p.adjust qvalue
## GO:0005819 256/11817 1.353146e-12 3.897060e-10 3.546666e-10
## GO:0000779 91/11817 3.013479e-11 3.393318e-09 3.088217e-09
## GO:0072686 77/11817 3.534706e-11 3.393318e-09 3.088217e-09
## GO:0000775 156/11817 1.429309e-10 1.029103e-08 9.365738e-09
## GO:0000776 106/11817 2.849245e-10 1.406873e-08 1.280378e-08
## GO:0000793 163/11817 2.970249e-10 1.406873e-08 1.280378e-08
## geneID
## GO:0005819 CDCA8/CDC20/KIF23/CENPE/ASPM/DLGAP5/SKA1/NUSAP1/TPX2/TACC3/NEK2/CDK1/MAD2L1/KIF18A/BIRC5/KIF11/TTK/AURKB/PRC1/KIFC1/KIF18B/KIF20A/AURKA/CCNB1/KIF4A
## GO:0000779 CENPE/NDC80/HJURP/SKA1/NEK2/CENPM/CENPN/ERCC6L/MAD2L1/CDT1/BIRC5/NCAPG/AURKB/AURKA/CCNB1
## GO:0072686 KIF23/CENPE/ASPM/NUSAP1/TPX2/TACC3/CDK1/MAD2L1/KIF18A/KIF11/AURKB/KIFC1/KIF18B/AURKA
## GO:0000775 CDCA8/CENPE/NDC80/HJURP/SKA1/NEK2/CENPM/CENPN/ERCC6L/MAD2L1/KIF18A/CDT1/BIRC5/TTK/NCAPG/AURKB/AURKA/CCNB1
## GO:0000776 CENPE/NDC80/HJURP/SKA1/NEK2/CENPM/CENPN/ERCC6L/MAD2L1/KIF18A/CDT1/BIRC5/TTK/AURKB/CCNB1
## GO:0000793 CENPE/NDC80/TOP2A/NCAPH/HJURP/SKA1/NEK2/CENPM/CENPN/ERCC6L/MAD2L1/CDT1/BIRC5/NCAPG/AURKB/CHEK1/AURKA/CCNB1
## Count
## GO:0005819 25
## GO:0000779 15
## GO:0072686 14
## GO:0000775 18
## GO:0000776 15
## GO:0000793 18Zenginleştirme haritasını görselleştirmek için emapplot() işlevi kullanılabilir. Bu işlev gen kümelerini bir ağ olarak gösterir. Basitçe ifade etmek gerekirse, karşılıklı olarak örtüşen gen kümeleri birlikte bir küme oluşturur.
emapplot(ego)
Yardım Alma
Bioconductor paketlerini kullanırken yardıma ihtiyacınız olursa aşağıdaki komutları kullanabilirsiniz:
class(dnaSequence) # Indicate the class of the input object
## [1] "DNAStringSet"
## attr(,"package")
## [1] "Biostrings"
methods(class = "DNAStringSet") # List all available methods for a S3 and S4 generic function or class
## [1] ! !=
## [3] $ $<-
## [5] %in% [
## [7] [[ [[<-
## [9] [<- <
## [11] <= ==
## [13] > >=
## [15] aggregate alphabetFrequency
## [17] anyNA append
## [19] as.character as.complex
## [21] as.data.frame as.env
## [23] as.factor as.integer
## [25] as.list as.logical
## [27] as.matrix as.numeric
## [29] as.raw as.vector
## [31] by c
## [33] cbind chartr
## [35] coerce compact
## [37] compareStrings complement
## [39] concatenateObjects consensusMatrix
## [41] consensusString countOverlaps
## [43] countPattern countPDict
## [45] dinucleotideFrequencyTest do.call
## [47] droplevels duplicated
## [49] elementMetadata elementMetadata<-
## [51] elementNROWS elementType
## [53] eval expand
## [55] expand.grid extractAt
## [57] extractROWS Filter
## [59] findOverlaps getListElement
## [61] hasOnlyBaseLetters head
## [63] ifelse2 intersect
## [65] is.na is.unsorted
## [67] isEmpty isMatchingEndingAt
## [69] isMatchingStartingAt lapply
## [71] length lengths
## [73] letterFrequency match
## [75] matchPattern matchPDict
## [77] mcols mcols<-
## [79] merge metadata
## [81] metadata<- mstack
## [83] names names<-
## [85] nchar neditEndingAt
## [87] neditStartingAt NROW
## [89] nucleotideFrequencyAt oligonucleotideFrequency
## [91] order overlapsAny
## [93] PairwiseAlignments PairwiseAlignmentsSingleSubject
## [95] parallelSlotNames parallelVectorNames
## [97] pcompare pcompareRecursively
## [99] PDict PWM
## [101] rank rbind
## [103] Reduce relist
## [105] relistToClass rename
## [107] rep rep.int
## [109] replaceAt replaceLetterAt
## [111] replaceROWS rev
## [113] revElements reverse
## [115] reverseComplement ROWNAMES
## [117] sapply seqinfo
## [119] seqinfo<- seqlevelsInUse
## [121] seqtype seqtype<-
## [123] setdiff setequal
## [125] setListElement shiftApply
## [127] show showAsCell
## [129] sort split
## [131] split<- stack
## [133] stringDist strsplit
## [135] subseq subseq<-
## [137] subset subsetByOverlaps
## [139] table tail
## [141] tapply threebands
## [143] toString transform
## [145] translate trimLRPatterns
## [147] twoWayAlphabetFrequency union
## [149] unique uniqueLetters
## [151] unlist unsplit
## [153] unstrsplit updateObject
## [155] values values<-
## [157] vcountPattern vcountPDict
## [159] vmatchPattern vwhichPDict
## [161] which.isMatchingEndingAt which.isMatchingStartingAt
## [163] whichPDict width
## [165] window window<-
## [167] windows with
## [169] within xtabs
## [171] xvcopy zipdown
## see '?methods' for accessing help and source code
?complement # Show the help page of the function
## starting httpd help server ... done
browseVignettes(package="Biostrings") # Refers to all available vignettes of the input packageAyrıca, Bioconductor sitelerinde birçok kullanışlı yardım sayfası ve iş akışı mevcuttur:
Özet
Bu eğitimi okuyarak Bioconductor projesini ve biyolojik araştırmalardaki temel rolünü öğrendiniz. Ayrıca, Bioconductor paket türleri ve en önemlilerinden bazıları anıldı. Sonraki adımda, projenin nasıl kurulup kullanılacağına dair kısa bir iş akışı açıklandı. Biostring ve GenomicRanges paketleriyle nasıl çalışılacağını öğrendiniz ve bunun sonucunda DNA dizileri ve genom aralıklarına aşina oldunuz. Başka bir örnekte, insan genlerinden oluşan bir küme üzerinde zenginleştirme analizi uygulamayı denediniz. Dolayısıyla, zenginleştirme analizi ve GO kavramlarını öğrendiniz. Son bölümde ise Bioconductor ile çalışırken yardım almanın çeşitli yolları gösterildi. Proje hakkında daha fazla bilgi edinmek isterseniz, Bioconductor_courses sayfasına bakmaktan çekinmeyin.
R hakkında daha fazla bilgi edinmek isterseniz, DataCamp’in R’de Deney Tasarımı kursunu alın.
Konular
