edgeR: пакет Bioconductor для анализа дифференциальной экспрессии данных цифровой экспрессии генов
edgeR : a Bioconductor package for differential expression analysis of digital gene expression data
2009-11-11
SCID: 54.1/kggtp4fq
Discuss with AI
анализ дифференциальной экспрессиицифровая экспрессия геновedgeRэмпирические байесовские методысверхдисперсионная пуассоновская модель
Figures from the paper
Abstract (AI)
Ожидается, что новые технологии цифровой экспрессии генов (DGE) в ближайшем будущем вытеснят микрочиповые технологии во многих приложениях функциональной геномики. Одна из фундаментальных задач анализа данных, особенно в исследованиях экспрессии генов, заключается в определении наличия свидетельств того, что количество транскриптов или экзонов статистически значимо различается между экспериментальными условиями. edgeR — программный пакет Bioconductor для исследования дифференциальной экспрессии данных о подсчётах с биологическими повторами. Для учёта биологической и технической вариабельности используется сверхдисперсионная пуассоновская модель. Для регулирования степени сверхдисперсии между транскриптами применяются эмпирические байесовские методы, что повышает надёжность статистических выводов. Методологию можно использовать даже при минимальном числе повторов при условии, что воспроизведено хотя бы одно фенотипическое или экспериментальное условие. Программное обеспечение может найти применение и за пределами данных секвенирования, например при анализе данных о подсчётах пептидов протеома. Доступность: пакет свободно распространяется по лицензии LGPL на веб-сайте Bioconductor (http://bioconductor.org).
Key Findings
1
Помимо данных секвенирования, edgeR может применяться к другим количественным данным, включая подсчёты пептидов в протеомике.
2
Байесовское эмпирическое сглаживание стабилизирует оценки дисперсии между транскриптами и повышает надёжность статистических выводов о дифференциальной экспрессии.
3
Метод моделирует количества транскриптов или экзонов с помощью сверхдисперсионного распределения Пуассона, учитывая биологическую и техническую вариабельность.
4
Методика поддерживает анализ при минимальном числе реплик, если реплицировано хотя бы одно фенотипическое состояние или экспериментальное условие.
5
edgeR — это пакет Bioconductor для выявления дифференциальной экспрессии в реплицированных данных цифровой экспрессии генов.
Research Object
Реплицированные данные цифровой генной экспрессии в виде счётчиков (данные по транскриптам/экзонам), анализируемые с помощью пакета Bioconductor edgeR
Research Subject
дифференциальная экспрессия транскриптов или экзонов с учётом биологической и технической сверхдисперсии
Publication Details
Publication Date
2009-11-11
Journal
Publisher
ISSN
Cited by
41080
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai2
Работы, цитирующие эту статью20
Умеренная оценка изменения кратности и дисперсии для данных RNA-seq с помощью DESeq22014
limma расширяет возможности анализа дифференциальной экспрессии для исследований RNA-seq и микроматричных данных2015
featureCounts: эффективная универсальная программа для отнесения прочтений последовательностей к геномным признакам2013
RSEM: точная количественная оценка транскриптов по данным RNA-Seq при наличии или отсутствии референсного генома2011
HTSeq — фреймворк на языке Python для работы с данными высокопроизводительного секвенирования2014
GSVA: анализ вариабельности наборов генов для данных микрочипов и RNA-seq2013
Метод масштабной нормализации для анализа дифференциальной экспрессии данных RNA-seq2010
Анализ онтологии генов для RNA-seq: учет смещения отбора2010
voom: Точностные веса открывают доступ к инструментам анализа на основе линейных моделей для счётных данных RNA-seq2014
Анализ дифференциальной экспрессии в многофакторных экспериментах RNA-Seq с учетом биологической вариабельности2012
Нормализация и стабилизация дисперсии данных одноклеточного RNA-секвенирования с использованием регуляризованной отрицательно-биномиальной регрессии2019
Дифференциальный анализ RNA-seq: оценки на уровне транскриптов улучшают выводы на уровне генов2015
Обзор передовых методов анализа данных RNA-seq2016
Технология секвенирования нового поколения: современные тенденции и достижения2023
Технологии транскриптомики2017
Глубокое обучение в диагностике рака, прогнозировании исходов и выборе лечения2021
Сколько биологических повторов необходимо в эксперименте RNA-seq и какой инструмент для анализа дифференциальной экспрессии следует использовать?2016
Атлас транскриптома стареющего мозга Drosophila на уровне отдельных клеток2018
От считываний RNA-seq к результатам дифференциальной экспрессии2010
Анализ дифференциальной экспрессии методом RNA-Seq: расширенный обзор и программный инструмент2017