Bonjour. Je suis nouveau dans l'analyse des données JMP Genomics et RNA-Seq. Il semble que JMP Genomics 10 implémente ANOVA comme moyen de déterminer les données d'expression génique différentielle. Cependant, cette grande majorité des études d'expression génique RNA-Seq utilisent deseq2 ou des packages R similaires. Quelqu'un a-t-il fait une comparaison (ou connaissance d'un rapport publié) comparant les deux méthodes? quels sont les avantages et les inconvénients?
Suivre ... Existe-t-il un moyen d'implémenter deseq2 dans JMP Genomics?
salut @LouisAltamura ,
Je ne connais personne qui publie la différence. Je peux vous dire que l'ANOVA dans JMP G peut traiter plusieurs facteurs, interactions, imbrication et facteurs aléatoires ainsi que des covariables de base en tant que précurseurs de l'expression différentielle. Quelque chose que Deseq2 ne peut pas faire correctement ou sans beaucoup de travail. Est également la nature interactive des sorties.
Ils sont équivalents en termes de résultats lorsqu'on examine des modèles expérimentaux de base similaires. Les deux utilisent soit un binôme négatif pour les dénombrements, soit log2 pour la transformation des données (stabilisation de la variance).Les deux peuvent effectuer plusieurs méthodes de correction de test comme les corrections FDR de Benjamini-Hochberg. Il peut y avoir des écarts avec certaines options, mais elles sont subtiles par rapport à ce que je peux dire en ce qui concerne les résultats.
La plus grande différence: codage vs interface Point and Click
Une autre différence liée: perçue gratuitement (mais prend du temps à une personne et donc de l'argent pour coder) vs coût d'achat du logiciel (mais aucun codage nécessaire)
Comme JMP Genomics est basé sur JMP, on peut facilement se connecter à une copie locale de R et écrire JSL pour établir la connexion, appeler Deseq2 et renvoyer les résultats à JMP G / JMP pour des visualisations interactives. Fournissez même des interfaces personnalisées pour les non-codeurs. Nous avons créé des compléments pour des situations comme celle-ci dans Expression / Genetics ( Alignement QuasR , Intégration , Régression bayésienne génomique , et Cartes de liaison Outcross ) et la modélisation prédictive ( XGBoost ) dans JMP Pro / JMP Genomics se connectant à R ou Python.
