Três maneiras fáceis de processar seus dados de expressão para obter insights biológicos

Você já se esforçou para formular hipóteses com base em seus dados de expressão experimental? Você pode estar comparando resultados de linhas de células saudáveis ​​versus tumorais ou de amostras tratadas versus não tratadas. O que significam as diferenças entre os padrões de expressão nos dados? Muitos de nós lutamos para dar sentido biológico aos nossos dados de RNA-seq ou microarray. A enorme quantidade de dados de expressão gerados a partir de experimentos nos deixa com milhares de pontos de dados, mas muitas vezes sem compreensão de seu significado biológico.

A análise avançada de vias é uma excelente maneira de obter uma compreensão mais profunda dos dados de expressão e resultados experimentais. Aqui oferecemos três maneiras fáceis de passar de dados de expressão para análise de vias para que você possa fornecer contexto biológico de seus dados experimentais para começar a coletar insights significativos.

QIAGEN Ingenuity Pathway Analysis (IPA) é uma ferramenta popular para analisar, comparar e contextualizar resultados de expressão gênica diferencial de experimentos em humanos, camundongos ou ratos, entre outros organismos. O QIAGEN CLC Genomics Workbench possui ferramentas convenientes para processar dados brutos de experimentos de RNA-seq ou microarray e realizar análises de expressão gênica diferencial. Além disso, com uma licença IPA e o plug-in Ingenuity Pathway Analysis Pathway instalado, você pode enviar os resultados diretamente para o IPA. Ao combinar o QIAGEN CLC Genomics Workbench com o QIAGEN IPA, oferecemos uma plataforma versátil para vincular vários formatos de leitura de instrumentos a insights biológicos.

Estes são os três casos de uso mais comuns que vemos entre nossos clientes:

1. Processamento de arquivos FASTQ brutos
2. Processamento de arquivos de matriz de expressão das instalações principais
3. Processamento de dados de microarray

Caso de uso 1: dados FASTQ para IPA

Os experimentos típicos que você pode estar executando envolvem o envio de RNA (mRNA, miRNA, lncRNA, etc.) de amostras de tratamento e controle para uma instalação de sequenciamento NGS. Após o sequenciamento, você executa a análise de bioinformática usando o QIAGEN CLC Genomics Workbench nos arquivos FASTQ retornados pela instalação. Primeiro, você pode fazer o controle de qualidade e o corte usando o fluxo de trabalho Preparar dados brutos . As amostras que atendem aos critérios de CQ são então associadas aos metadados que descrevem a configuração experimental. Você pode identificar genes expressos diferencialmente (DEGs) usando o fluxo de trabalho RNA-Seq e análise de expressão gênica diferencial. A análise de expressão gênica diferencial é baseada no ajuste de um Modelo Linear Generalizado com distribuição binomial negativa, como as abordagens adotadas pelas ferramentas populares EdgeR (Robinson et al., 2010) e DESeq2 (Love et al., 2014). Projetos emparelhados são suportados e é possível controlar os efeitos em lote. Você pode então fazer upload de DEGs diretamente para o IPA para análise, comparação e contextualização adicionais. Analisar dados de expressão e fazer upload de comparações para IPA fornece um fluxo de trabalho prático de Sample to Insight.

Consulte também nosso manual sobre análise de RNA-seq e RNA pequeno .

Caso de uso 2: dados de expressão de RNA-seq para IPA

Nesse caso de uso, o recurso de sequenciamento processa os arquivos FASTQ brutos e retorna um arquivo de matriz de expressão, que ocupa muito menos espaço do que os arquivos FASTQ. Você pode importar matrizes de expressão usando a ferramenta Import Expression Matrix no QIAGEN CLC Genomics Workbench. Em seguida, você pode aplicar critérios de CQ, associar metadados e comparar os grupos experimentais conforme descrito para o caso de uso 1. Esse caso de uso também é suportado por um fluxo de trabalho Sample to Insight: Analyze Count Matrix and Upload Comparisons to IPA .

Caso de uso 3: dados de expressão de microarray para IPA

Neste terceiro cenário, as amostras foram processadas em microarrays, não usando NGS. Vários formatos genéricos e específicos de fornecedores são suportados no QIAGEN CLC Genomics Workbench. As etapas incluem a criação de um experimento de microarray para agrupar as amostras, seguido pela transformação e normalização dos dados de expressão e execução de um teste estatístico para identificar a expressão diferencial. Vários testes estão disponíveis, incluindo testes baseados em proporção, testes t e ANOVA. DEGs filtrados podem ser carregados no IPA para análise do caminho, conforme descrito para o caso de uso 1.

Pronto para experimentá-lo?

As ferramentas de bioinformática da QIAGEN Digital Insights para transcriptômica suportam análise de dados de microarray e RNA-seq com uma variedade de ferramentas especializadas. Eles permitem que você passe rapidamente da saída bruta do instrumento para insights biológicos, além de comparar com mais de 100.000 conjuntos de dados públicos selecionados. Saiba mais e solicite uma consulta sobre nosso portfólio de ferramentas para descoberta de biomarcadores e alvos que suportam a análise de dados de expressão. Pronto para experimentar esses aplicativos? Solicite uma avaliação do QIGEN CLC Genomics Workbench e do QIAGEN IPA para ver como essas ferramentas podem trabalhar juntas para otimizar seus insights de dados de expressão.

Referências:

Amor e outros. (2014) Estimativa moderada de mudança de dobra e dispersão para dados de RNA-seq com DESeq2. Genoma Biol 15, 550.

Robinson et ai. (2010). edgeR: um pacote Bioconductor para análise de expressão diferencial de dados digitais de expressão gênica. Bioinformática (Oxford, Inglaterra), 26(1), 139–140.

Recursos:
Plugar: Análise do caminho da engenhosidade

0 0 votes
Article Rating
Subscribe
Notify of
guest
0 Comentários
Inline Feedbacks
View all comments

Compartilhe nas redes sociais

Share on facebook
Facebook
Share on whatsapp
WhatsApp
Share on linkedin
LinkedIn

Cadastre-se e receba todos os nossos novos conteúdos direto em seu e-mail

Posts Recentes