Frage:
Welche bewährten Methoden sollten bei der Analyse von EPIC-DNA-Methylierungsdaten beachtet werden?
deepseas
2017-06-07 01:58:15 UTC
view on stackexchange narkive permalink

Ich habe kürzlich einige EPIC-DNA-Methylierungsdaten erhalten und mich gefragt, welche bewährten Methoden zu befolgen sind. Ich interessiere mich für Normalisierung und Differentialanalyse. Vielen Dank.

Hallo Deepseas, willkommen und vielen Dank, dass Sie eine Frage an Bioinformatics StackExchange gesendet haben. Ich habe einen Link zur Infinium EPIC-Webseite für Leute hinzugefügt, die neugierig sein könnten, was EPIC-DNA-Methylierungsdaten sind. Ihre Frage ist ziemlich weit gefasst und würde erheblich verbessert, wenn Sie mehr darüber erzählen, warum Sie diese Analyse durchführen möchten (z. B. handelt es sich um eine einzelne Studie? Möchten Sie sie mit RNASeq-Daten vergleichen?). Die Bioinformatik ist ein sehr großes Fachgebiet, und es gibt viele verschiedene Möglichkeiten, [fast] dasselbe zu tun. Daher wird jede Hilfe bei der Klärung von Fragen sehr geschätzt.
Danke für die Antwort! Diese Daten enthalten 16 Proben von verschiedenen Personen mit 5 Gruppen (5 + 6 + 1 + 2 + 2). Es wird schwierig sein, Macht für Gruppen mit 1 und 2 zu bekommen, aber das Hauptziel ist es, eine Vorstellung von bestimmten bekannten Genen von Interesse zu bekommen.
Es wird schwierig sein, Kontraste wie edgeR, limma oder deseq2 mit einer geringen Anzahl von Replikaten pro Bedingung zu erzeugen. 2 funktioniert möglicherweise noch, aber 1 in einem einzigen Zustand ist nicht gültig. Wenn Sie mit EPIC-Arrays oder 450k arbeiten, funktionieren beide idealerweise mit jedem Standard-450k-Analysetool. Probieren Sie Tools wie DimMER / Rnbeads aus. Bei höheren Replikaten pro Gruppe sieht es jedoch besser aus. Alles Gute!
Einer antworten:
#1
+6
Ben D.
2017-06-07 04:10:15 UTC
view on stackexchange narkive permalink

EPIC-Daten können auf die gleiche Weise verarbeitet werden wie die vorherige Iteration von Methylierungsarraydaten von Illumina (450k). Dies bedeutet, dass ab .idat-Dateien eine Normalisierung durchgeführt werden sollte (z. B. über das minfi-Paket). Ein kürzlich veröffentlichtes Papier der Entwickler von Minfi ist besonders hilfreich, da klargestellt wird, dass normalisierte EPIC-Daten aus ihrem Paket sofort mit beispielsweise TCGA-Daten der Stufe 3 verglichen werden können.

Danach schlage ich vor, das Manifest zu verwenden, um Genomkoordinaten an Ihre Sonden anzuhängen und sie in funktionelle Regionen zu unterteilen. Wenn Sie beispielsweise die differentielle Methylierung nur in regulatorischen Regionen testen, können Sie die statistische Aussagekraft erhöhen, indem Sie die Gesamtzahl der Tests auf diejenigen reduzieren, von denen Sie erwarten, dass sie wesentliche Unterschiede ergeben.

Es gibt bereits Pakete für differentielle Methylierung Methylierungsanalyse, aber ohne Ihre Replikatstruktur oder Ziele zu kennen, ist es schwierig, Sie in die richtige Richtung zu weisen.



Diese Fragen und Antworten wurden automatisch aus der englischen Sprache übersetzt.Der ursprüngliche Inhalt ist auf stackexchange verfügbar. Wir danken ihm für die cc by-sa 3.0-Lizenz, unter der er vertrieben wird.
Loading...