RNA-seq Differential Expression — Transkriptomisk DE-analyse
RNA-seq differential expression (DE) analyse identificerer gener, hvis transkriptabundans afviger signifikant mellem to eller flere biologiske tilstande — for eksempel, behandlet versus kontrol, eller syg versus raskt væv. Startende fra rå sekvenseringsreads, bevæger pipelinen sig gennem alignment, tællingsbaseret normalisering, statistisk modellering af tællingsdispersion, hypotesetestning og multiple-testing korrektion for at producere en rangeret liste af differentielt eksporterede gener ledsaget af fold-change estimater og justerede p-værdier.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+50 more
Kilder
- Love, M. I., Huber, W., & Anders, S. (2014). Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biology, 15(12), 550. DOI: 10.1186/s13059-014-0550-8 ↗
- Robinson, M. D., McCarthy, D. J., & Smyth, G. K. (2010). edgeR: a Bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics, 26(1), 139–140. DOI: 10.1093/bioinformatics/btp616 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). RNA Sequencing Differential Expression Analysis. ScholarGate. https://scholargate.app/da/bioinformatics/rna-seq-differential-expression
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- ChIP-seq Peak CallingBioinformatik↔ compare
- Gen-sætsanrigelsesanalyse (GSEA)Bioinformatik↔ compare
- Pathway Enrichment AnalysisBioinformatik↔ compare
- SekvensjusteringBioinformatik↔ compare
- Single-cell RNA-seq AnalyseBioinformatik↔ compare
- Variant CallingBioinformatik↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →