bulk-rna-seq-deseq2-analysis-with-omicverse

Umożliwia Ci przeprowadzenie pełnego workflow'u analizy DESeq2 na danych RNA-seq. Załadujesz macierz liczności z featureCounts, zmapujesz identyfikatory Ensembla na symbole genów, uruchomisz test różnicowej ekspresji za pomocą PyDESeq2, a następnie zwizualizujesz wyniki wzbogacenia. Skill automatyzuje przygotowanie danych, normalizację, testowanie statystyczne i filtrowanie wyników na podstawie progów fold-change'u i wartości p.

1. Zainstaluj omicverse w swoim środowisku Python, jeśli jeszcze tego nie zrobiłeś. Skill wymaga bibliotek PyDESeq2, omicverse i powiązanych zależności bioinformatycznych.

2. Przygotuj plik danych wejściowych — macierz liczności z featureCounts w formacie tabulacyjnym. Upewnij się, że wiersze zawierają identyfikatory genów (np. Ensembl ID), a kolumny reprezentują próbki. Jeśli nazwy kolumn zawierają ścieżki lub rozszerzenia (np. .bam), skill pomoże je oczyścić.

3. Wczytaj dane i zainicjuj workflow, importując omicverse i czytając plik liczności. Skill automatycznie pobierze odpowiednią parę mapowania identyfikatorów genów dla Twojego genomu i zastąpi identyfikatory Ensembla symbolami genów.

4. Zdefiniuj grupy eksperymentalne — przygotuj listy nazw próbek dla grupy traktowanej i kontrolnej. Nazwy muszą dokładnie odpowiadać nazwom kolumn w Twojej macierzy. Skill uruchomi test DESeq2, porównując ekspresję między grupami.

5. Dostosuj progi filtrowania wyników. Możesz ustawić minimalne wartości log2 fold-change'u, maksymalną wartość p oraz inne parametry. Skill automatycznie odfiltruje geny o niskiej ekspresji i zastosuje wybrane kryteria statystyczne.

6. Przejrzyj wyniki — skill wygeneruje tabelę z genami istotnie różnie ekspresjonowanymi, ich wartościami fold-change'u i statystyką. Możesz następnie wizualizować wyniki wzbogacenia funkcjonalnego za pomocą dostępnych funkcji omicverse.