Hola a todos. Soy nuevo en el análisis de datos de JMP Genomics y RNA-Seq. Parece que JMP Genomics 10 implementa ANOVA como un medio para determinar datos de expresión genética diferencial. Sin embargo, la gran mayoría de los estudios de expresión génica de RNA-Seq utilizan paquetes de R deseq2 o similares. ¿Alguien ha hecho una comparación (o sabe de un informe publicado) comparando los dos métodos? ¿Cuáles son los pros y los contras?
Hacer un seguimiento ... ¿Hay alguna forma de implementar deseq2 en JMP Genomics?
Hola @LouisAltamura ,
No tengo conocimiento de que nadie haya publicado la diferencia. Puedo decirles que ANOVA en JMP G puede lidiar con múltiples factores, interacciones, factores de anidación y aleatorios, así como covariables de línea de base como precursores de la expresión diferencial. Algo que Deseq2 no puede hacer bien o sin mucho trabajo. También es la naturaleza interactiva de las salidas.
Son equivalentes en resultados cuando se observan diseños experimentales básicos similares. Ambos usan binomio negativo para conteos o log2 para transformar datos (estabilización de varianza).Ambos pueden realizar múltiples métodos de corrección de prueba como las correcciones Benjamini-Hochberg FDR. Puede haber alguna desviación con algunas opciones, pero son sutiles de lo que puedo decir con respecto a los resultados.
Mayor diferencia: codificación frente a interfaz de apuntar y hacer clic
Otra diferencia relacionada: se percibe gratis (pero a una persona le toma tiempo y, por lo tanto, dinero para codificar) frente al costo de comprar software (pero no se necesita codificación)
Dado que JMP Genomics se basa en JMP, uno puede conectarse fácilmente a una copia local de R y escribir JSL para realizar la conexión, invocar Deseq2 y devolver los resultados a JMP G / JMP para visualizaciones interactivas. Incluso proporcione interfaces personalizadas para no codificadores. Hemos creado complementos para situaciones como esta en Expression / Genetics ( Alineación cuasR , Incrustar , Regresión genómica bayesiana , y Mapas de enlaces cruzados ) y modelado predictivo ( XGBoost ) en JMP Pro / JMP Genomics ya sea conectándose a R o Python.
