Es posible que nos hayamos despedido de JMP Genomics el año pasado, pero no tema, la nueva versión de JMP Pro 17 maneja muchas de sus necesidades de análisis de datos. Si bien encontrará casi todas las funcionalidades de JMP Genomics en JMP Pro, es posible que deba cambiar su forma de pensar al usar estas funciones. En este blog, quiero compartir mi experiencia sobre cómo manejar los datos de expresión génica en JMP Pro.
En JMP Pro, hay seis plataformas que son especialmente útiles: agrupación jerárquica, incrustación multivariante, selección de respuestas, selección de predictores, variables de clúster y selección de modelos.
Los datos de expresión génica en biología molecular se refieren a medir el nivel de actividad de los genes en una muestra biológica, como células o tejidos. Proporciona información valiosa sobre qué genes están activos, cómo se regulan y cómo interactúan entre sí en diferentes condiciones y enfermedades.
Formatear tus datos
Para cada análisis de datos ómicos en JMP Pro, como datos de expresión génica, datos de expresión metabólica o datos de genotipos, los conjuntos de datos deben tener el siguiente formato:
- Cada muestra específica debe tener su propia fila que enumere las diversas observaciones, tal paciente (P1), sus fenotipos (Ph1, Ph2), sus rasgos (T1), etc.
IMAGEN
- Cada variable o columna es la medida de una expresión génica específica (para datos de expresión génica), o un genotipo de un SNP o alelo particular (para datos genéticos).
IMAGEN
Datos de expresión génica
El objetivo de los datos de expresión génica es encontrar expresiones significativamente diferenciales de genes o ARN mensajero entre diferentes rasgos o tratamientos de pacientes. La fuente de los datos puede diferir; puede provenir de microarrays, NGS (next gene sequencing), PCR, etc. En general, los datos de entrada son muy similares, ya que cada paciente viene con medidas de expresión génica que son valores numéricos que reflejan la abundancia del ARN mensajero en las células o tejidos. La idea es encontrar la expresión de genes que difieren en las células/tejidos de un rasgo/tratamiento a otro.
el conjunto de datos GSE 34317 se ha utilizado para el siguiente ejemplo. Los datos representan dos tipos diferentes de tejido/célula (granulosa y teca) en tres etapas diferentes de desarrollo del folículo preovulatorio: secundaria o selección, antral temprana o diferenciación, antral/preovulatoria o luteinización, entre dos animales diferentes (vaca y novilla).
El artículo al que se hace referencia se puede encontrar aquí .
Fuente de imagen: Folículo ovárico: descripción general | Temas de ScienceDirect
Después de la limpieza de datos, los datos restantes contienen 19k variables (genes) y 65 muestras:
El objetivo de este experimento fue determinar los efectos del entorno metabólico/lactancia en la expresión diferencial de genes en las células de la teca y la granulosa en tres etapas distintas del desarrollo del folículo preovulatorio entre vacas lecheras lactantes y novillas nulíparas. Con la ayuda de JMP Pro 17, se aplicó el siguiente flujo de trabajo:
En las Partes 2, 3 y 4 de esta publicación, explicaré cómo se implementó cada paso del flujo de trabajo. Manténganse al tanto.
