Potremmo aver detto addio a JMP Genomics l'anno scorso, ma non temere: la nuova versione di JMP Pro 17 gestisce molte delle tue esigenze di analisi dei dati. Anche se in JMP Pro troverai quasi tutte le funzionalità di JMP Genomics, potrebbe essere necessario cambiare il tuo modo di pensare quando utilizzi queste funzionalità. In questo blog desidero condividere la mia esperienza su come gestire i dati sull'espressione genetica in JMP Pro.
In JMP Pro sono presenti sei piattaforme particolarmente utili: clustering gerarchico, incorporamento multivariato, screening delle risposte, screening dei predittori, variabili del cluster e screening dei modelli.
I dati sull'espressione genica in biologia molecolare si riferiscono alla misurazione del livello di attività dei geni in un campione biologico, come cellule o tessuti. Fornisce informazioni preziose su quali geni sono attivi, come sono regolati e come interagiscono tra loro in diverse condizioni e malattie.
Formattazione dei dati
Per ogni analisi di dati omici in JMP Pro, come dati di espressione genica, dati di espressione metabolica o dati di genotipi, i set di dati devono essere nel seguente formato:
- Ogni campione specifico dovrebbe avere una propria riga che elenca le varie osservazioni, tale paziente (P1), i suoi fenotipi (Ph1, Ph2), i suoi tratti (T1), ecc.
- Ciascuna variabile o colonna rappresenta la misurazione di un'espressione genica specifica (per i dati sull'espressione genica) o del genotipo di un particolare SNP o allele (per i dati genetici).
Dati sull'espressione genica
L'obiettivo dei dati sull'espressione genica è trovare espressioni significativamente differenziali di geni o RNA messaggero tra diversi tratti o trattamenti dei pazienti. La fonte dei dati può essere diversa; può provenire da microarray, NGS (next gene sequencing), PCR, ecc. In generale, i dati di input sembrano molto simili, poiché ogni paziente viene fornito con misurazioni dell’espressione genica che sono valori numerici che riflettono l’abbondanza dell’RNA messaggero nelle cellule o nei tessuti. L'idea è quella di trovare l'espressione di geni che differiscono nelle cellule/tessuti da un tratto/trattamento all'altro.
Il set di dati GSE34317 è stato utilizzato per il seguente esempio. I dati rappresentano due diversi tipi di tessuto/cellule (granulosa e teca) in tre diversi stadi di sviluppo del follicolo preovulatorio – secondario o selezione, antrale precoce o differenziazione, antrale/preovulatorio o luteinizzazione – tra due diversi animali (mucca e manza).
L'articolo citato può essere trovato Qui .
Fonte immagine: Follicolo ovarico: una panoramica | Argomenti di ScienceDirect
Dopo la pulizia dei dati, i dati rimanenti contengono 19.000 variabili (geni) e 65 campioni:
Lo scopo di questo esperimento era di determinare gli effetti dell'ambiente metabolico/di allattamento sull'espressione differenziale dei geni nelle cellule della teca e della granulosa in tre fasi distinte dello sviluppo del follicolo preovulatorio tra vacche da latte in lattazione e manze nullipare. Con l'aiuto di JMP Pro 17, è stato applicato il seguente flusso di lavoro:
Nelle parti 2, 3 e 4 di questo post, spiegherò come è stata implementata ogni fase del flusso di lavoro. Rimani sintonizzato.
