Cours de séquençage d'ARN

Leçon 1 • Expression génique et régulation

Présente les facteurs de transcription, les amplificateurs et le contrôle épigénétique de l'expression génique. Fournit le contexte pour interpréter les résultats d'expression différentielle.

Leçon 2 • Types d'ARN et rôles cellulaires

Couvre l'ARNm, l'ARNr, l'ARNt, l'ARNnc long et les petits ARN ainsi que leurs fonctions. Établit la justification biologique du profilage de chaque classe d'ARN.

Leçon 3 • Transcription et maturation de l'ARN

Explique l'initiation, l'élongation et la terminaison de la transcription, ainsi que la maturation co-transcriptionnelle. Relie la régulation des gènes à l'abondance observable des transcrits.

Leçon 1 • Mesures de la course de séquençage et qualité

Définit la densité des clusters, les scores Q, les taux d'erreur et les indicateurs de qualité au niveau de la course. Permet aux étudiants d'évaluer si une course de séquençage répond aux normes d'analyse.

Leçon 2 • Format FASTQ et structure des lectures

Décode le format de fichier FASTQ, y compris les en-têtes, les séquences et les chaînes de qualité. Prépare les étudiants à manipuler les résultats bruts de séquençage de manière programmatique.

Leçon 3 • Aperçu des technologies de séquençage

Passe en revue les plateformes de séquençage à lecture courte et à lecture longue ainsi que leurs principes de fonctionnement. Positionne chaque technologie dans le flux de travail RNA-seq.

Leçon 1 • Profondeur de séquençage et longueur des lectures

Guide la sélection de la profondeur et de la longueur des lectures en fonction de la classe d'ARN, de l'organisme et des objectifs d'analyse. Équilibre le coût avec la suffisance des données.

Leçon 2 • Définition des questions biologiques

Traduit les hypothèses de recherche en résultats RNA-seq mesurables. Garantit que les objectifs expérimentaux guident toutes les décisions de conception en aval.

Leçon 3 • Extraction de l'ARN et qualité de l'échantillon

Couvre les protocoles d'extraction, les mesures d'intégrité et les seuils de qualité pour l'ARN de qualité séquençage. Relie la qualité de l'échantillon au succès de la banque et à la fiabilité des données.

Leçon 4 • Effets de lot et facteurs de confusion

Identifie les sources de variation technique et les stratégies pour les minimiser ou les prendre en compte. Protège la validité expérimentale grâce à une randomisation appropriée.

Leçon 1 • Évaluation de la qualité avec FastQC

Interprète les modules FastQC, y compris la qualité par base, le contenu GC et les niveaux de duplication. Établit une liste de contrôle de contrôle qualité de base pour chaque ensemble de données.

Leçon 2 • Détourage des adaptateurs et de la qualité

Applique des outils de détourage pour supprimer les adaptateurs et les bases de mauvaise qualité des lectures. Démontre l'impact du détourage sur les taux d'alignement.

Leçon 3 • Évaluation de la contamination par l'ARN ribosomique

Détecte et quantifie les lectures d'ARNr qui réduisent la profondeur de séquençage effective. Guide les décisions sur l'adéquation du protocole de déplétion de l'ARNr.

Leçon 1 • Outils de pseudo-alignement et de quantification

Présente kallisto et Salmon comme des alternatives de quantification rapides et sans alignement. Compare les compromis en matière de précision et de vitesse avec l'alignement traditionnel.

Leçon 2 • Mesures de qualité d'alignement

Évalue le taux de cartographie, la taille de l'insert, la spécificité du brin et l'uniformité de la couverture. Identifie les échecs d'alignement nécessitant un dépannage.

Leçon 3 • Algorithmes d'alignement tenant compte de l'épissage

Couvre les algorithmes STAR et HISAT2 conçus pour les lectures RNA-seq épissées. Explique comment les jonctions d'épissage sont détectées et rapportées.

Leçon 4 • Génome de référence et annotation

Explique les assemblages du génome, les fichiers d'annotation GTF/GFF et leurs rôles dans l'alignement. Assure que les étudiants sélectionnent des versions de référence compatibles.

Leçon 1 • Stratégies de normalisation

Compare les RPKM, FPKM, TPM et la normalisation basée sur le comptage pour les comparaisons intra- et inter-échantillons. Clarifie quelle métrique convient à chaque contexte d'analyse.

Leçon 2 • Exploration de la matrice d'expression

Effectue une analyse exploratoire des données sur les matrices de comptage à l'aide du PCA et du clustering hiérarchique. Détecte les échanges d'échantillons, les valeurs aberrantes et la structure de lot avant la modélisation.

Leçon 3 • Méthodes de comptage des lectures

Applique featureCounts et HTSeq pour générer des matrices de comptage brutes à partir de fichiers BAM. Explique comment le mode de comptage affecte le multi-cartographie et la gestion des gènes chevauchants.

Leçon 1 • Tests multiples et filtrage des résultats

Applique la correction FDR Benjamini-Hochberg et les seuils de changement de pli pour définir les gènes significatifs. Empêche le signalement excessif des faux positifs.

Leçon 2 • Visualisation des résultats de l'expression différentielle

Crée des tracés MA, des tracés en volcan et des heatmaps pour communiquer les résultats de l'expression différentielle. Traduit les tableaux statistiques en figures interprétables.

Leçon 3 • Flux de travail DESeq2

Exécute le pipeline complet DESeq2 de l'importation des comptages à l'extraction des résultats. Couvre l'estimation des facteurs de taille, le test de Wald et la réduction des changements de log-fold.

Leçon 4 • Flux de travail edgeR

Applique le test exact et le cadre quasi-vraisemblance d'edgeR comme approche alternative de l'expression différentielle. Met en évidence les différences dans la modélisation de la dispersion par rapport à DESeq2.

Leçon 1 • Analyse d'enrichissement en ontologie des gènes

Applique l'analyse de surreprésentation et la GSEA aux termes GO en utilisant les listes de gènes d'expression différentielle. Relie les résultats statistiques aux processus biologiques, aux fonctions et aux compartiments.

Leçon 2 • Analyse d'enrichissement des voies

Mappe les gènes d'expression différentielle sur des bases de données de voies organisées pour identifier les voies biologiques dérégulées. Priorise les voies pour un suivi expérimental.

Leçon 3 • Rapports reproductibles avec R Markdown

Construit des rapports HTML et PDF entièrement reproductibles intégrant le code, les figures et le récit. Assure la transparence et la partageabilité de l'analyse.

Leçon 4 • Normes de dépôt et de partage des données

Prépare les ensembles de données pour la soumission à des dépôts publics conformément aux normes de métadonnées de la communauté. Satisfait aux exigences de partage de données des organismes de financement et des revues.