Nous avons peut-être dit au revoir à JMP Genomics l'année dernière, mais n'ayez crainte, la nouvelle version de JMP Pro 17 répond à bon nombre de vos besoins en matière d'analyse de données. Même si vous trouverez presque toutes les fonctionnalités de JMP Genomics dans JMP Pro, vous devrez peut-être changer votre façon de penser lorsque vous utiliserez ces fonctionnalités. Dans ce blog, je souhaite partager mon expérience sur la façon de traiter les données d'expression génique dans JMP Pro.
Dans JMP Pro, il existe six plates-formes particulièrement utiles : clustering hiérarchique, intégration multivariée, filtrage des réponses, filtrage des prédicteurs, variables de cluster et filtrage du modèle.
Les données d'expression génique en biologie moléculaire font référence à la mesure du niveau d'activité des gènes dans un échantillon biologique, tel que des cellules ou des tissus. Il fournit des informations précieuses sur les gènes actifs, la manière dont ils sont régulés et comment ils interagissent les uns avec les autres dans différentes conditions et maladies.
Formatage de vos données
Pour chaque analyse de données omiques dans JMP Pro, telles que les données d'expression génique, les données d'expression métabolique ou les données de génotypes, les ensembles de données doivent être au format suivant :
- Chaque échantillon spécifique doit avoir sa propre ligne répertoriant les différentes observations, tel patient (P1), ses phénotypes (Ph1, Ph2), ses traits (T1), etc.
- Chaque variable ou colonne correspond à la mesure d'une expression génique spécifique (pour les données sur l'expression génique) ou d'un génotype d'un SNP ou d'un allèle particulier (pour les données génétiques).
Données d'expression génétique
L’objectif des données sur l’expression génique est de trouver des expressions significativement différentielles de gènes ou d’ARN messager entre différents traits ou traitements de patients. La source des données peut différer ; cela peut provenir de puces à ADN, de NGS (next gene sequencing), de PCR, etc. En général, les données d’entrée semblent très similaires, car chaque patient est accompagné de mesures d’expression génétique qui sont des valeurs numériques reflétant l’abondance de l’ARN messager dans les cellules ou les tissus. L’idée est de trouver une expression de gènes qui diffère dans les cellules/tissus d’un trait/traitement à l’autre.
L'ensemble de données GSE 34317 a été utilisé pour l’exemple suivant. Les données représentent deux types de tissus/cellules différents (granulosa et thèque) à trois stades différents de développement du follicule préovulatoire – secondaire ou sélection, antrale précoce ou différenciation, antrale/préovulatoire ou lutéinisation – parmi deux animaux différents (vache et génisse).
L'article référencé peut être trouvé ici .
Source des images : Follicule ovarien - un aperçu | Sujets ScienceDirect
Après nettoyage des données, les données restantes contiennent 19 000 variables (gènes) et 65 échantillons :
Le but de cette expérience était de déterminer les effets de l'environnement métabolique/lactationnel sur l'expression différentielle des gènes dans les cellules de la thèque et de la granulosa à trois stades distincts du développement des follicules préovulatoires entre les vaches laitières en lactation et les génisses nullipares. Avec l'aide de JMP Pro 17, le flux de travail suivant a été appliqué :
Dans les parties 2, 3 et 4 de cet article, j'expliquerai comment chaque étape du flux de travail a été mise en œuvre. Restez à l'écoute.
