Cours RNA Seq

Leçon 1 • Expression et régulation génique

Présente les facteurs de transcription, les enhancers 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'ARNlnc 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 génique à l'abondance observable des transcrits.

Leçon 1 • Métriques et qualité d'un run de séquençage

Définit la densité des clusters, les scores Q, les taux d'erreur et les indicateurs de qualité au niveau du run. Permet aux étudiants d'évaluer si un run 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 sorties de séquençage brutes de manière programmatique.

Leçon 3 • Aperçu des technologies de séquençage

Passe en revue les plateformes de séquençage en lectures courtes et en lectures longues 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 d'ARN et qualité des échantillons

Couvre les protocoles d'extraction, les métriques d'intégrité et les seuils de qualité pour un ARN apte au séquençage. Relie la qualité des échantillons à la réussite de la banque et à la fiabilité des données.

Leçon 4 • Effets de lots et facteurs de confusion

Identifie les sources de variation technique et les stratégies pour les minimiser ou en tenir 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 QC de base pour chaque ensemble de données.

Leçon 2 • Élimination des adaptateurs et rognage de qualité

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

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

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 • Métriques de qualité d'alignement

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

Leçon 3 • Algorithmes d'alignement épissés

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 de génomes, les fichiers d'annotation GTF/GFF et leurs rôles dans l'alignement. Garantit que les étudiants sélectionnent des versions de référence compatibles.

Leçon 1 • Stratégies de normalisation

Compare les normalisations RPKM, FPKM, TPM et basées sur les comptages 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 de l'ACP et du clustering hiérarchique. Détecte les inversions d'échantillons, les valeurs aberrantes et la structure des lots 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 la gestion des lectures multi-mapping et des gènes chevauchants.

Leçon 1 • Tests multiples et filtrage des résultats

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

Leçon 2 • Visualisation des résultats de l'expression différentielle

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

Leçon 3 • Workflow DESeq2

Exécute le pipeline DESeq2 complet, de l'importation des comptages à l'extraction des résultats. Couvre l'estimation des facteurs de taille, le test de Wald et le retrait (shrinkage) des log-fold-change.

Leçon 4 • Workflow edgeR

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

Leçon 1 • Analyse d'enrichissement en ontologie génique

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

Leçon 2 • Analyse d'enrichissement des voies

Mappe les gènes différentiellement exprimés sur des bases de données de voies curées pour identifier les voies biologiques dérégulées. Priorise les voies pour un suivi expérimental.

Leçon 3 • Rapport reproductible avec R Markdown

Construit des rapports HTML et PDF entièrement reproductibles intégrant le code, les figures et le texte narratif. 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 soumission aux référentiels publics conformément aux normes de métadonnées de la communauté. Remplit les exigences de partage de données des organismes de financement et des revues.