Wir haben uns vielleicht letztes Jahr von JMP Genomics verabschiedet, aber keine Angst, die neue Version von JMP Pro 17 erfüllt viele Ihrer Datenanalyseanforderungen. Obwohl Sie fast alle Funktionen von JMP Genomics in JMP Pro finden, müssen Sie möglicherweise Ihre Denkweise ändern, wenn Sie diese Funktionen verwenden. In diesem Blog möchte ich meine Erfahrungen zum Umgang mit Genexpressionsdaten in JMP Pro teilen.
In JMP Pro gibt es sechs Plattformen, die besonders nützlich sind: Hierarchisches Clustering, Multivariate Einbettung, Antwort-Screening, Prädiktor-Screening, Cluster-Variablen und Modell-Screening.
Genexpressionsdaten in der Molekularbiologie beziehen sich auf die Messung des Aktivitätsgrads von Genen in einer biologischen Probe, beispielsweise Zellen oder Geweben. Es liefert wertvolle Informationen darüber, welche Gene aktiv sind, wie sie reguliert werden und wie sie bei verschiedenen Erkrankungen und Erkrankungen miteinander interagieren.
Formatieren Sie Ihre Daten
Für jede Omic-Datenanalyse in JMP Pro, wie z. B. Genexpressionsdaten, metabolische Expressionsdaten oder Genotypdaten, müssen die Datensätze im folgenden Format vorliegen:
- Jede spezifische Probe sollte über eine eigene Zeile verfügen, in der die verschiedenen Beobachtungen aufgeführt sind, z. B. Patient (P1), seine Phänotypen (Ph1, Ph2), seine Merkmale (T1) usw.
BILD
- Jede Variable oder Spalte ist die Messung einer bestimmten Genexpression (für Genexpressionsdaten) oder eines Genotyps eines bestimmten SNP oder Allels (für genetische Daten).
BILD
Genexpressionsdaten
Das Ziel von Genexpressionsdaten besteht darin, signifikant unterschiedliche Expressionen von Genen oder Messenger-RNA zwischen verschiedenen Merkmalen oder Patientenbehandlungen zu finden. Die Quelle der Daten kann unterschiedlich sein; Es kann aus Microarray, NGS (Next Gene Sequencing), PCR usw. stammen. Im Allgemeinen sehen die Eingabedaten sehr ähnlich aus, da jeder Patient über Genexpressionsmessungen verfügt, bei denen es sich um numerische Werte handelt, die die Häufigkeit der Boten-RNA in den Zellen oder im Gewebe widerspiegeln. Die Idee besteht darin, die Expression von Genen zu finden, die sich in den Zellen/Geweben von einem Merkmal/einer anderen Behandlung zum anderen unterscheiden.
Der Datensatz GSE 34317 wurde für das folgende Beispiel verwendet. Die Daten repräsentieren zwei verschiedene Gewebe-/Zelltypen (Granulosa und Theka) in drei verschiedenen präovulatorischen Follikelentwicklungsstadien – sekundär oder Selektion, früh antral oder Differenzierung, antral/präovulatorisch oder Luteinisierung – bei zwei verschiedenen Tieren (Kuh und Färse).
Der Artikel, auf den verwiesen wird, ist zu finden Hier .
Bildquelle: Eierstockfollikel – ein Überblick | ScienceDirect-Themen
Nach der Datenbereinigung enthalten die verbleibenden Daten 19.000 Variablen (Gene) und 65 Proben:
Das Ziel dieses Experiments bestand darin, die Auswirkungen der Stoffwechsel-/Laktationsumgebung auf die unterschiedliche Expression von Genen in Theka- und Granulosazellen in drei verschiedenen Stadien der präovulatorischen Follikelentwicklung zwischen laktierenden Milchkühen und nulliparen Färsen zu bestimmen. Mit Hilfe von JMP Pro 17 wurde der folgende Workflow angewendet:
In Teil 2, 3 und 4 dieses Beitrags werde ich erklären, wie jeder Schritt des Workflows implementiert wurde. Bleiben Sie dran.
