Es posible que hayamos dicho adiós a JMP Genomics el año pasado, pero no temas, la nueva versión de JMP Pro 17 maneja muchas de tus 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 utilizar estas funciones. En este blog, quiero compartir mi experiencia sobre cómo manejar datos de expresión genética en JMP Pro.
En JMP Pro, hay seis plataformas que son especialmente útiles: agrupación jerárquica, incrustación multivariada, detección de respuestas, detección de predictores, variables de conglomerado y detección de modelos.
Los datos de expresión genética en biología molecular se refieren a medir el nivel de actividad de 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 afecciones y enfermedades.
Formatear tus datos
Para cada análisis de datos ómicos en JMP Pro, como datos de expresión genética, datos de expresión metabólica o datos de genotipos, los conjuntos de datos deben estar en el siguiente formato:
- Cada muestra específica debe tener su propia fila que enumere las distintas observaciones, como el paciente (P1), sus fenotipos (Ph1, Ph2), sus rasgos (T1), etc.
- Cada variable o columna es la medida de una expresión genética específica (para datos de expresión genética), o un genotipo de un SNP o alelo particular (para datos genéticos).
Datos de expresión genética.
El objetivo de los datos de expresión genética 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 gen sequencing), PCR, etc. En general, los datos de entrada parecen muy similares, ya que cada paciente viene con mediciones de expresión genética que son valores numéricos que reflejan la abundancia del ARN mensajero en las células o el tejido. 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 tejidos/células (granulosa y teca) en tres etapas diferentes de desarrollo del folículo preovulatorio (secundaria o de selección, antral temprana o diferenciación, antral/preovulatorio 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 ScienceDirect
Después de la limpieza de datos, los datos restantes contienen 19.000 variables (genes) y 65 muestras:
El objetivo de este experimento fue determinar los efectos del entorno metabólico/de 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.
