Estudios Transcriptómicos

Masivos: Análisis de
Microarrays
Fran(cisco J.) Romero-Campero

https://bit.ly/3lg4pwX

@greennetworks

@fran_rom_cam

@franromcam

Dpt. de Ciencias de la Computación e

Inteligencia Artificial
Instituto de Bioquímica Vegetal y Fotosíntesis
Universidad de Sevilla
 Microarrays o Micromatrices
●
Los microarrays o micromatrices son la tecnología de altas prestaciones
clásoca que permiten medir los niveles de expresión génicos en una muestra
estimando el número de transcritos (mRNA).
●
Un microarray es un soporte sólido donde se disponen en forma de matriz
(en una distribución regular de filas y columnas) secuencias de DNA
llamadas sondas (probes en inglés) que son complementarias a las
secuencias de los transcritos conocidos en una especie en particular.
Microarrays o Micromatrices
 Microarrays o Micromatrices
●
El uso más común de los microarrays
consiste en extraer el mRNA de
muestras de interés a comparar. Por
ejemplo, un tejido con un tratamiento
especial y otro sin el tratamiento o una
muestra del tipo silvestre y otra de un
mutante.
●
Normalmente este mRNA se convierte
a cDNA, se etiqueta con fluorescencia
o radioactividad y se coloca sobre el
microarray para que hibride de forma
específica con las correspondientes
secuencias de DNA.
●
Tras lavar el microarray podemos
estimar el número de transcritos que
han hibridado y así obtener una medida
global del nivel de expresión de los
distintos genes a partir de la
fluorescencia detectada.
 Microarrays o Micromatrices

Ventajas Desventajas
●
Relativamente baratos. ●
Limitaciones a transcritos
conocidos.
●
Protocolos de laboratorio
bien definidos y depurados. ●
Sensibilidad limitada debido
a saturación de las sondas.
●
Amplia variedad de
herramientas de análisis ●
Problemas de hibridación.
bien establecidas y
testeadas.
●
Problemas de diseño.
 Fases del Estudio Transcriptómico
basado en Microarrays
●
Fase 1: Diseño Experimental.

●
Fase 2: Extracción del RNA y preparación.

●
Fase 3: Hibridación de las muestras
etiquetadas.

●
Fase 4: Análisis de imágenes.

●
Fase 5: Análisis matemático-computacional
de los datos.

●
Fase 6: Confirmación o validación biológica.
 Fases del Estudio Transcriptómico
basado en Microarrays
●
Fase 1: Diseño Experimental.

●
Fase 2: Extracción del RNA y preparación.

●
Fase 3: Hibridación de las muestras
etiquetadas.

●
Fase 4: Análisis de imágenes.

●
Fase 5: Análisis matemático-computacional
de los datos.

●
Fase 6: Confirmación o validación biológica.
 Fase 1: Diseño Experimental
●
Esta es la fase más importante del estudio ya que es donde pueden producirse
la mayor parte de los errores irreparables.
●
Aquí se seleccionan las distintas condiciones a comparar y se fijan controles
●
Muestras de distintos tejidos.
●
Muestras sometidas a distintas condiciones o tratamientos.
●
Muestras provenientes de distintos genotipos.
●
Muestras provenientes de series temporales.
●
Decidir y diseñar diferentes réplicas:
●
Replicas técnicas o experimentales
●
Réplicas biológicas
 Fases del Estudio Transcriptómico
basado en Microarrays
●
Fase 1: Diseño Experimental.

●
Fase 2: Extracción del RNA y preparación.

●
Fase 3: Hibridación de las muestras
etiquetadas.

●
Fase 4: Análisis de imágenes.

●
Fase 5: Análisis matemático-computacional
de los datos.

●
Fase 6: Confirmación o validación biológica.
 Fase 2: Extracción del RNA y
Preparación
●
Para la extracción del RNA de una muestra se suelen utilizar reactivos tales como el TRIzol
(Invitrogen) posiblemente seguidos de pasos extras para la purificación como la eliminción
de DNA genómico o extracción polyA.
●
Es crítico tomar las diferentes muestras y extraer el RNA bajo las mismas condiciones que
no se analizan en el experimento.
●
Es necesario analizar la pureza y calidad del RNA con el espectrofotómetro mediendo la
razón a260/a280, a260/a230 ,~ 1.7 – 2.0 (absorbancia ácidos nucléicos vs proteína, otros
contaminantes), por electroforesis en gel y RIN (RNA integrity number).
●
Seguidamente el RNA se convierte en cDNA y se etiqueta con un marcador fluorescente.
 Fases del Estudio Transcriptómico
basado en Microarrays
●
Fase 1: Diseño Experimental.

●
Fase 2: Extracción del RNA y preparación.

●
Fase 3: Hibridación de las muestras
etiquetadas.

●
Fase 4: Análisis de imágenes.

●
Fase 5: Análisis matemático-computacional
de los datos.

●
Fase 6: Confirmación o validación biológica.
Fase 3: Hibridación de las
muestras etiquetadas
Fase 3: Hibridación de las
muestras etiquetadas
 Fases del Estudio Transcriptómico
basado en Microarrays
●
Fase 1: Diseño Experimental.

●
Fase 2: Extracción del RNA y preparación.

●
Fase 3: Hibridación de las muestras
etiquetadas.

●
Fase 4: Análisis de imágenes.

●
Fase 5: Análisis matemático-computacional
de los datos.

●
Fase 6: Confirmación o validación biológica.
Fase 4: Análisis de Imágenes
 Fase 4: Análisis de Imágenes

Trabajaremos con microarrays diseñados por la affymetrix cuyos datos brutos no

procesados suelen aparecer en formato CEL
 Fases del Estudio Transcriptómico
basado en Microarrays
●
Fase 1: Diseño Experimental.

●
Fase 2: Extracción del RNA y preparación.

●
Fase 3: Hibridación de las muestras
etiquetadas.

●
Fase 4: Análisis de imágenes.

●
Fase 5: Análisis matemático-computacional
de los datos.

●
Fase 6: Confirmación o validación biológica.
 Fase 5: Análisis
Matemático/Computacional
MATERIALES:
La comunidad científica persigue
hacer disponible libremente los datos
transcriptómicos en bases de datos
tales como GEO:

http://www.ncbi.nlm.nih.gov/geo/
con el doble objetivo de garantizar la
reproduccibilidad de los resultados
científicos y facilitar el desarrollo
incremental de la ciencia donde unos
resultados se basan en resultados
previos.
 Fase 5: Análisis
Matemático/Computacional
MÉTODOS:
R constituye una plataforma de software libre para el análisis estadístico y
representación gráfica de los resultados. Mantenido y desarrollo activamente
por una gran comunidad de investigadores. Puede comunicarse de forma
sencilla con otros lenguajes de programación como C, Java, FORTRAN,
Python, Perl, etc.
Bioconductor es un proyecto de software libre colaborativo que consiste
de una serie de paquetes de R. Originalmente se desarrolló para el análisis de
datos de microarray pero en la actualidad cuenta con paquetes para el
estudio de datos de secuenciación, ensayos celulares, ensayos de altas
prestaciones, etc.

www.bioconductor.org
> install.packages("BiocManager") #sólo la primera vez
> BiocManager::install("nomber_paquete")
 Fase 5: Análisis
Matemático/Computacional

El análisis computacional básico de datos de microarrays se divide en los

siguientes pasos:

●
Paso 5.1: Análisis de la calidad

●
Paso 5.2: Preprocesamiento de los datos.

●
Paso 5.3: Estimación de los niveles de expresión.

●
Paso 5.4: Selección de genes diferencialmente expresados.

●
Paso 5.5: Anotación funcional.
 Fase 5: Análisis
Matemático/Computacional

El análisis computacional básico de datos de microarrays se divide en los

siguientes pasos:

Quality
●
Paso 5.1: Análisis de la calidad control

●
Paso 5.2: Preprocesamiento de los datos.
Data
Processing
●
Paso 5.3: Estimación de los niveles de expresión.

●
Paso 5.4: Selección de genes diferencialmente expresados. Inferential
Statistics
●
Paso 5.5: Anotación funcional. Exploratory
Analysis
 Fase 5: Análisis
Matemático/Computacional
affy::image()
affy::ReadAffy()
affy::cdfName() Imágenes
affyPLM::boxplot, hist
Datos crudos Estadísticos
Affy Object globales
(ficheros .CEL)

affy::rma() simpleaffy::qc()
affy::exprs() Resumen
de la calidad
limma:topTable()
Niveles de model.matrix
annaffy::aafTableAnn()
expresión limma::lmFit()
annaffy::saveHTML()
makeContrasts/contrasts.fit
annaffy:saveText() AgriGO
limma::eBayes()
GOrilla
heatmap GeneVenn topGO
plot

Listas de genes Gráficos de Mapas de Diagramas Enriquecimiento

sobre-expresados dispersión calor de Venn funcional
e inhibidos (Scatterplots)
 Ejemplo: Estudio del Efecto Global
en el Transcriptoma de Arabidopsis thaliana
del gen POPEYE y el hambre de hierro

POPEYE codifica un factor de transcripción del tipo bHLH (basic helix loop
helix) que en Arabidopsis thaliana regula la respuesta a deficiencia de hierro.

Estudiamos el efecto del gen POPEYE

y la deficiencia de hierro. Tomamos las
siguientes muestras con dos réplicas
biológicas:
●
WT con hierro
●
WT sin hierro
●
POPEYE con hierro
●
POPEYE sin hierro

Long TA et al. The bHLH transcription factor POPEYE regulates response

to iron deficiency in Arabidopsis roots. Plant Cell 2010 Jul;22(7):2219-36.
Accession Number: GSE21582
 Paso 5.0: Lectura de Datos

affy::image()
affy::ReadAffy()
affy::cdfName() Imágenes
affyPLM::boxplot, hist
Datos crudos Estadísticos
Affy Object globales
(ficheros .CEL)

affy::rma() simpleaffy::qc()
affy::exprs() Resumen
de la calidad
limma:topTable() Niveles de model.matrix
annaffy::aafTableAnn() expresión limma::lmFit()
annaffy::saveHTML() makeContrasts/contrasts.fit
annaffy:saveText() AgriGO
limma::eBayes()
GOrilla
heatmap GeneVenn topGO
plot

Listas de genes Gráficos de Mapas de Diagramas Enriquecimiento

sobre-expresados dispersión calor de Venn funcional
e inhibidos (Scatterplots)
 Paso 5.1: Análisis de la Calidad

affy::image()
affy::ReadAffy()
affy::cdfName() Imágenes
affyPLM::boxplot, hist
Datos crudos Estadísticos
Affy Object globales
(ficheros .CEL)

affy::rma() simpleaffy::qc()
affy::exprs() Resumen
de la calidad
limma:topTable()
Niveles de model.matrix
annaffy::aafTableAnn()
expresión limma::lmFit()
annaffy::saveHTML()
makeContrasts/contrasts.fit
annaffy:saveText() AgriGO
limma::eBayes()
GOrilla
heatmap GeneVenn topGO
plot

Listas de genes Gráficos de Mapas de Diagramas Enriquecimiento

sobre-expresados dispersión calor de Venn funcional
e inhibidos (Scatterplots)
Paso 5.1: Análisis de la Calidad
Factor de
Porcentaje de proporcionalidad
detección

Nombre de la
muestra

Fluorescencia
de fondo
Degradación
del RNA
 Paso 5.2: Preprocesamiento
Paso 5.3: Estimación Niveles
de Expresión
affy::image()
affy::ReadAffy()
affy::cdfName() Imágenes
affyPLM::boxplot, hist
Datos crudos Estadísticos
Affy Object globales
(ficheros .CEL)

affy::rma() simpleaffy::qc()
affy::exprs() Resumen
de la calidad
limma:topTable()
Niveles de model.matrix
annaffy::aafTableAnn()
expresión limma::lmFit()
annaffy::saveHTML()
makeContrasts/contrasts.fit
annaffy:saveText() AgriGO
limma::eBayes()
GOrilla
heatmap GeneVenn topGO
plot

Listas de genes Gráficos de Mapas de Diagramas Enriquecimiento

sobre-expresados dispersión calor de Venn funcional
e inhibidos (Scatterplots)
Paso 5.2: Preprocesamiento
Paso 5.3: Estimación Niveles
de Expresión
El principal objetivo del preprocesamiento de
los datos consiste en eliminar el ruido
producido por el sesgo de la técnia
experimetnal utilizada (variabilidad
experimental) a la vez que se conserva la
variabilidad generada por la condición o
fenotipo estudiado (variabilidad biológica).

Robust Multiarray Average (RMA) es un

algoritmo que realiza una corrección o
sustracción de la fluorescencia de fondo,
normalización de la fluorescencia de cada
sonda y una estimación de los niveles de
expresión de los genes representados por las
distintas sondas del microarray utilizado.
 Paso 5.2: Preprocesamiento
Paso 5.3: Estimación Niveles
de Expresión

Las muestras se organizan

por columnas

> head(expression.level)
WT_with_Fe_1 WT_with_Fe_2 WT_no_Fe_1 WT_no_Fe_2 pye_with_Fe_1 pye_with_Fe_2
244901_at 4.191814 4.481378 3.839588 3.993979 3.822802 4.330534
244902_at 4.727383 4.933480 4.537309 4.762214 4.601498 4.939710
244903_at 5.569595 6.274849 5.160593 6.061207 5.390620 6.119615
244904_at 5.146491 5.113851 5.117658 5.138793 4.966478 5.067616
244905_at 3.869215 3.793270 3.876314 3.776267 3.998623 4.182826
244906_at 5.746207 5.815738 5.826470 5.709536 5.698041 6.150307

Los identificadores de las sondas que

representan genes se organizan por filas
 Paso 5.2: Preprocesamiento
Paso 5.3: Estimación Niveles
de Expresión

Comparación de dos genotipos en la misma condición aporta

información sobre el efecto del cambio genotípico en respuesta a la
condición estudiada.
 Paso 5.2: Preprocesamiento
Paso 5.3: Estimación Niveles
de Expresión

Comparación de un mismo genotipo en dos condiciones distintas aporta

información sobre la respuesta del genotipo estudiado al cambio en las
condiciones analizadas.
 Paso 5.2: Preprocesamiento
Paso 5.3: Estimación Niveles
de Expresión

La comparación de dos tejidos diferentes en un organismos multicelular

normalmente muestra una masiva diferencia en expresión génica.
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
affy::image()
affy::ReadAffy()
affy::cdfName() Imágenes
affyPLM::boxplot, hist
Datos crudos Estadísticos
Affy Object globales
(ficheros .CEL)

affy::rma() simpleaffy::qc()
affy::exprs() Resumen
de la calidad
limma:topTable()
Niveles de model.matrix
annaffy::aafTableAnn()
expresión limma::lmFit()
annaffy::saveHTML()
makeContrasts/contrasts.fit
annaffy:saveText() AgriGO
limma::eBayes()
GOrilla
heatmap GeneVenn topGO
plot

Listas de genes Gráficos de Mapas de Diagramas Enriquecimiento

sobre-expresados dispersión calor de Venn funcional
e inhibidos (Scatterplots)
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
Cuando se comparan los transcriptomas de dos genotipos diferentes o de un mismo
genotipo bajo distintas condiciones existen diversos métodos para determinar genes
expresados de forma diferencial o differentially expressed genes (DEGs) en inglés:
●
Método basado en el fold-change (factor de proporcionalidad): Se fija un umbral para el
fold-change típicamente 2, 4 u 8 que en log2 corresponde a 1, 2 ó 3. Los DEGs son
aquellos que incrementan (o decrementan) su expresión por encima de dicho umbral (por
debajo de menos dicho umbral). Este método es biológicamente interpretable de forma
directa y no requiere un alto número de réplicas biológicas. Se aplica especialmente a
estudios con organismo modelos donde no son necesarias muchas réplicas.
●
Método basado en inferencia estadística: Para aplicar este método es necesario tener
un alto número de réplicas biológicas. Para cada gen y para cada pareja de
genotipos/condiciones a comparar se formula un contraste de hipótesis sobre igualdad de
medias. Normalmente este contraste de hipótesis utiliza un estadístico similar a la t-
student. Se fija un nivel de significancia y se calcula el correspondiente p-valor (y p-valor
corregido para el testeo múltiple o q-valor). Si dicho p-valor (o q-valor) es menor que el
nivel de significancia se asume que el correspondiente gen se expresa de forma
diferencial en los genotipos/condiciones estudiadas.
●
Combinación de los dos anteriores métodos
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
Cuando se comparan los transcriptomas de dos genotipos diferentes o de un mismo
genotipo bajo distintas condiciones existen diversos métodos para determinar genes
expresados de forma diferencial o differentially expressed genes (DEGs) en inglés:
●
Método basado en el fold-change (factor de proporcionalidad): Se fija un umbral para el
fold-change típicamente 2, 4 u 8 que en log2 corresponde a 1, 2 ó 3. Los DEGs son
aquellos que incrementan (o decrementan) su expresión por encima de dicho umbral (por
debajo de menos dicho umbral). Este método es biológicamente interpretable de forma
directa y no requiere un alto número de réplicas biológicas. Se aplica especialmente a
estudios con organismo modelos donde no son necesarias muchas réplicas.
●
Método basado en inferencia estadística: Para aplicar este método es necesario tener
un alto número de réplicas biológicas. Para cada gen y para cada pareja de
genotipos/condiciones a comparar se formula un contraste de hipótesis sobre igualdad de
medias. Normalmente este contraste de hipótesis utiliza un estadístico similar a la t-
student. Se fija un nivel de significancia y se calcula el correspondiente p-valor (y p-valor
corregido para el testeo múltiple o q-valor). Si dicho p-valor (o q-valor) es menor que el
nivel de significancia se asume que el correspondiente gen se expresa de forma
diferencial en los genotipos/condiciones estudiadas.
●
Combinación de los dos anteriores métodos
 Paso 5.4: Selección de Genes
Diferencialmente Expresados

Matriz de
Expresión
Génica
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

c1 c2 ... cn t1 t2 ... tn muestras

g1
g2

Matriz de
Expresión
Génica

gN
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas
Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1
g2

Matriz de
Expresión
Génica

gN
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas
Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1
g2

Matriz de
Expresión
Génica

gN
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas
Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1

g2

Nivel de expresión del

g1 en la muestra c1

Matriz de
Expresión
Génica

gN
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas
Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2

g2

Nivel de expresión del

g1 en la muestra c2

Matriz de
Expresión
Génica

gN
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas
Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2

Matriz de
Expresión
Génica

gN
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas
Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2 e2c1

Nivel de expresión del

g2 en la muestra c1

Matriz de
Expresión
Génica

gN
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas
Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2 e2c1 e2c2

Nivel de expresión del

g2 en la muestra c2

Matriz de
Expresión
Génica

gN
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas
Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn

Matriz de
Expresión
Génica

gN
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas
Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn

Matriz de
Expresión
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en fold-change(FC)

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn

Matriz de
Expresión
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en fold-change(FC)

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn

Expresión media
en el control

e1c
Matriz de
Expresión
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en fold-change(FC)

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn

Expresión media Expresión media

en el tratamiento en el control

e1t e1c
Matriz de
Expresión
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en fold-change(FC)

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn

Expresión media Expresión media

en el tratamiento en el control

e1t e1c
Matriz de
Expresión
Génica e1t
fc1 =
e1c

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en fold-change(FC)

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn

Expresión media Expresión media

en el tratamiento en el control

e1t e1c
Matriz de
Expresión
Génica Datos transformados
por log2
a
log2( ) = log2(a) – log2(b)
b
gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en fold-change(FC)

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn

Expresión media Expresión media

en el tratamiento en el control

e1t e1c
Matriz de
Expresión
Génica
log2fc1 = e1t e1c

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en fold-change(FC)

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn log2fc1

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn

Expresión media Expresión media

en el tratamiento en el control

e1t e1c
Matriz de
Expresión
Génica
log2fc1 = e1t e1c

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en fold-change(FC)

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn log2fc1

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn log2fc2

Matriz de
Expresión
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn log2fcN

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en fold-change(FC)

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn log2fc1 Se fija un umbral para el
g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn log2fc2 fold-change, típicamente
2, 4 u 8, y se determinan:

Genes activados
fck > 2,4,8 log2fck > 1,2,3

Matriz de Genes reprimidos

Expresión
Génica fck < 1 , 1 , 1 log2fck<-1,-2,-3
2 4 8

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn log2fcN

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
Cuando se comparan los transcriptomas de dos genotipos diferentes o de un mismo
genotipo bajo distintas condiciones existen diversos métodos para determinar genes
expresados de forma diferencial o differentially expressed genes (DEGs) en inglés:
●
Método basado en el fold-change (factor de proporcionalidad): Se fija un umbral para el
fold-change típicamente 2, 4 u 8 que en log2 corresponde a 1, 2 ó 3. Los DEGs son
aquellos que incrementan (o decrementan) su expresión por encima de dicho umbral (por
debajo de menos dicho umbral). Este método es biológicamente interpretable de forma
directa y no requiere un alto número de réplicas biológicas. Se aplica especialmente a
estudios con organismo modelos donde no son necesarias muchas réplicas.
●
Método basado en inferencia estadística: Para aplicar este método es necesario tener
un alto número de réplicas biológicas. Para cada gen y para cada pareja de
genotipos/condiciones a comparar se formula un contraste de hipótesis sobre igualdad de
medias. Normalmente este contraste de hipótesis utiliza un estadístico similar a la t-
student. Se fija un nivel de significancia y se calcula el correspondiente p-valor (y p-valor
corregido para el testeo múltiple o q-valor). Si dicho p-valor (o q-valor) es menor que el
nivel de significancia se asume que el correspondiente gen se expresa de forma
diferencial en los genotipos/condiciones estudiadas.
●
Combinación de los dos anteriores métodos
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en Inferencia Estadística

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn

Matriz de
Expresión
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en Inferencia Estadística

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn

Contraste de
Hipótesis g1

Matriz de
Expresión
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en Inferencia Estadística

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn

Contraste de H0: μ1c = μ1t

Hipótesis g1 H1: μ1c ≠ μ1t

Matriz de
Expresión
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en Inferencia Estadística

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn

Contraste de H0: μ1c = μ1t

Hipótesis g1 H1: μ1c ≠ μ1t

Matriz de
Expresión
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en Inferencia Estadística

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn

Contraste de H0: μ1c = μ1t

Hipótesis g1 H1: μ1c ≠ μ1t

Moderated
t-statistic
Matriz de
Expresión p-valor1
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en Inferencia Estadística

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn p-valor1

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn

Contraste de H0: μ1c = μ1t

Hipótesis g1 H1: μ1c ≠ μ1t

Moderated
t-statistic
Matriz de
Expresión p-valor1
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en Inferencia Estadística

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn p-valor1

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn p-valor2

Matriz de
Expresión
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn p-valorN

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en Inferencia Estadística

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

Problemas con el testeo múltiple:
g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn p-valor1
Si fijamos como nivel de significancia
g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn p-valor2 0.01.

No se realiza un único testeo donde la

probabilidad de FP sería 0.01 sino N
testeos conduciendo a una tasa de FP
0.01*N
Matriz de
Por ejemplo para N=22810 tendríamos el
Expresión
número no asumible de 230 FP.
Génica
Es necesario corregir el p-valor por el
testeo múltiple con técnicas como
Benjamini-Hochberg para generar un
q-valor o FDR (False Discory Rate).
gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn p-valorN
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en Inferencia Estadística

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn p-valor1 q-valor1
g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn p-valor2 q-valor2

Matriz de
Expresión
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn p-valorN q-valorN
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en Inferencia Estadística

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn p-valor1 q-valor1
g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn p-valor2 q-valor2

Se fija un umbral de significancia

típicamente 0.05 o 0.01 y se
determinan:

Matriz de Genes activados

Expresión log2fck > 0 y q-valork < 0.05,0.01
Génica
Genes reprimidos
log2fck < 0 y q-valork < 0.05,0.01

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn p-valorN q-valorN
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
Cuando se comparan los transcriptomas de dos genotipos diferentes o de un mismo
genotipo bajo distintas condiciones existen diversos métodos para determinar genes
expresados de forma diferencial o differentially expressed genes (DEGs) en inglés:
●
Método basado en el fold-change (factor de proporcionalidad): Se fija un umbral para el
fold-change típicamente 2, 4 u 8 que en log2 corresponde a 1, 2 ó 3. Los DEGs son
aquellos que incrementan (o decrementan) su expresión por encima de dicho umbral (por
debajo de menos dicho umbral). Este método es biológicamente interpretable de forma
directa y no requiere un alto número de réplicas biológicas. Se aplica especialmente a
estudios con organismo modelos donde no son necesarias muchas réplicas.
●
Método basado en inferencia estadística: Para aplicar este método es necesario tener
un alto número de réplicas biológicas. Para cada gen y para cada pareja de
genotipos/condiciones a comparar se formula un contraste de hipótesis sobre igualdad de
medias. Normalmente este contraste de hipótesis utiliza un estadístico similar a la t-
student. Se fija un nivel de significancia y se calcula el correspondiente p-valor (y p-valor
corregido para el testeo múltiple o q-valor). Si dicho p-valor (o q-valor) es menor que el
nivel de significancia se asume que el correspondiente gen se expresa de forma
diferencial en los genotipos/condiciones estudiadas.
●
Combinación de los dos anteriores métodos
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas
Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn

Matriz de
Expresión
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en fold-change(FC)

Control Tratamiento

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn log2fc1

g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn log2fc2

Matriz de
Expresión
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn log2fcN

 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en fold-change(FC)

Control Tratamiento Selección de DEGs basada en Inferencia Estadística

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn log2fc1 , q-valor1
g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn log2fc2 , q-valor2

Matriz de
Expresión
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn log2fcN, q-valorN
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en fold-change(FC)

Control Tratamiento Selección de DEGs basada en Inferencia Estadística

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn log2fc1 , q-valor1
g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn log2fc2 , q-valor2 Se fija un umbral para el
fold-change, típicamente
2, 4 u 8.

Matriz de
Expresión
Génica

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn log2fcN, q-valorN
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
genes

Réplicas Réplicas Selección de DEGs basada en fold-change(FC)

Control Tratamiento Selección de DEGs basada en Inferencia Estadística

c1 c2 ... cn t1 t2 ... tn muestras

g1 e1c1 e1c2 ... e1cn e1t1 e1t2 ... e1tn log2fc1 , q-valor1
g2 e2c1 e2c2 ... e2cn e2t1 e2t2 ... e2tn log2fc2 , q-valor2 Se fija un umbral para el
fold-change, típicamente
2, 4 u 8.
Se fija un umbral de significancia
típicamente 0.05 o 0.01 y se
determinan:
Matriz de
Expresión Genes activados
Génica log2fck > 1,2,3 y q-valork < 0.05,0.01

Genes reprimidos
log2fck < -1,-2,-3 y q-valork < 0.05,0.01

gN eNc1 eNc2 ... e2cn eNt1 eNt2 ... e2tn log2fcN, q-valorN
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
Método basado en fold-change
> head(expression.level)
WT_with_Fe_1 WT_with_Fe_2 WT_no_Fe_1 WT_no_Fe_2 pye_with_Fe_1 pye_with_Fe_2
244901_at 4.191814 4.481378 3.839588 3.993979 3.822802 4.330534
244902_at 4.727383 4.933480 4.537309 4.762214 4.601498 4.939710
244903_at 5.569595 6.274849 5.160593 6.061207 5.390620 6.119615
244904_at 5.146491 5.113851 5.117658 5.138793 4.966478 5.067616
244905_at 3.869215 3.793270 3.876314 3.776267 3.998623 4.182826
244906_at 5.746207 5.815738 5.826470 5.709536 5.698041 6.150307

> head(mean.expression)
WT_with_Fe WT_no_Fe pye_with_Fe pye_no_Fe per_with_Fe per_no_Fe
244901_at 4.336596 3.916784 4.076668 4.229890 5.618332 6.330688
244902_at 4.830432 4.649761 4.770604 4.804530 7.792671 7.630835
244903_at 5.922222 5.610900 5.755118 5.577170 8.063286 8.201758
244904_at 5.130171 5.128225 5.017047 5.257470 6.714227 6.563183
244905_at 3.831243 3.826290 4.090725 3.913093 4.740712 4.666626
244906_at 5.780972 5.768003 5.924174 5.851086 8.216157 8.541953
 Paso 5.4: Selección de Genes
Diferencialmente Expresados

La primera columna contiene los

identificadores de las sondas que
representan genes

> head(WT.with.no.Fe)
ID logFC AveExpr t P.Value adj.P.Val B
9650 254550_at 6.277207 6.783913 9.83369 3.645075e-07 4.157208e-04 6.467981
8602 253502_at 6.265717 4.816715 33.08769 2.400984e-13 5.476646e-09 13.629654
12235 257135_at 5.794304 5.653286 24.50304 9.001222e-12 1.026589e-07 12.580207
10624 255524_at 4.754619 5.830145 20.50022 7.605795e-11 5.782940e-07 11.731873
17473 262373_at 4.478431 6.170963 18.56509 2.470630e-10 1.408877e-06 11.181815
6083 250983_at 4.200265 7.327805 16.54205 9.640295e-10 3.299739e-06 10.471151
 Paso 5.4: Selección de Genes
Diferencialmente Expresados

La segunda columna contiene para cada

sonda/gen el fold-change en log2 entre
las condiciones/genotipos estudiados.

> head(WT.with.no.Fe)
ID logFC AveExpr t P.Value adj.P.Val B
9650 254550_at 6.277207 6.783913 9.83369 3.645075e-07 4.157208e-04 6.467981
8602 253502_at 6.265717 4.816715 33.08769 2.400984e-13 5.476646e-09 13.629654
12235 257135_at 5.794304 5.653286 24.50304 9.001222e-12 1.026589e-07 12.580207
10624 255524_at 4.754619 5.830145 20.50022 7.605795e-11 5.782940e-07 11.731873
17473 262373_at 4.478431 6.170963 18.56509 2.470630e-10 1.408877e-06 11.181815
6083 250983_at 4.200265 7.327805 16.54205 9.640295e-10 3.299739e-06 10.471151
 Paso 5.4: Selección de Genes
Diferencialmente Expresados

Las columnas 5 y 6 contienen los p-valores y p-valores

corregidos (según el FDR, false discovery rate) para
los constrastes de hipótesis realizados entre las
replicas de las distintas condiciones/genotipos

> head(WT.with.no.Fe)
ID logFC AveExpr t P.Value adj.P.Val B
9650 254550_at 6.277207 6.783913 9.83369 3.645075e-07 4.157208e-04 6.467981
8602 253502_at 6.265717 4.816715 33.08769 2.400984e-13 5.476646e-09 13.629654
12235 257135_at 5.794304 5.653286 24.50304 9.001222e-12 1.026589e-07 12.580207
10624 255524_at 4.754619 5.830145 20.50022 7.605795e-11 5.782940e-07 11.731873
17473 262373_at 4.478431 6.170963 18.56509 2.470630e-10 1.408877e-06 11.181815
6083 250983_at 4.200265 7.327805 16.54205 9.640295e-10 3.299739e-06 10.471151
 Paso 5.4: Selección de Genes
Diferencialmente Expresados
Criterio más restrictivo a aplicar cuando hay
mucho ruido experimental o se trabaja con
especies no modelos. No es necesario con
organismos modelos.

Criterio del Fold-Change Inferencia Estadística Criterio conjunto

Comparación
Genes Genes Genes Genes Genes Genes
Activados Reprimidos Activados Repirmidos Activados Reprimidos
WT -Fe/+Fe 90 80 35 7 35 7
PYE -Fe/+Fe 144 29 49 4 49 4
WT/PYE +Fe 22 12 0 1 0 1
WT/PYE -Fe 43 72 4 17 4 17
 Análisis Explorativo:
Gráficos de dispersión y de volcán
affy::image()
affy::ReadAffy()
affy::cdfName() Imágenes
affyPLM::boxplot, hist
Datos crudos Estadísticos
Affy Object globales
(ficheros .CEL)

affy::rma() simpleaffy::qc()
affy::exprs() Resumen
de la calidad
limma:topTable()
Niveles de model.matrix
annaffy::aafTableAnn()
expresión limma::lmFit()
annaffy::saveHTML()
MakeContrasts/contrasts.fit
annaffy:saveText() AgriGO
limma::ebayes()
GOrilla
heatmap GeneVenn topGO
plot

Listas de genes Gráficos de Mapas de Diagramas Enriquecimiento

sobre-expresados dispersión calor de Venn funcional
e inhibidos (Scatterplots)
 Análisis Explorativo:
Gráficos de dispersión y de volcán
 Análisis Explorativo:
Gráficos de dispersión y de volcán

Nivel de
expresión (log2)
en WT no Fe

Nivel de expresión (log2)

en WT with Fe
 Análisis Explorativo:
Gráficos de dispersión y de volcán
Genes
Activados

Genes
Reprimidos
 Análisis Explorativo:
Gráficos de dispersión y de volcán
 Análisis Explorativo:
Gráficos de dispersión y de volcán
 Análisis Explorativo:
Gráficos de dispersión y de volcán
Genes Genes
Reprimidos Activados

Cambios
Significativos
 Análisis Explorativo:
Mapas de calor
affy::image()
affy::ReadAffy()
affy::cdfName() Imágenes
affyPLM::boxplot, hist
Datos crudos Estadísticos
Affy Object globales
(ficheros .CEL)

affy::rma() simpleaffy::qc()
affy::exprs() Resumen
de la calidad
limma:topTable()
Niveles de model.matrix
annaffy::aafTableAnn()
expresión limma::lmFit()
annaffy::saveHTML()
MakeContrasts/contrasts.fit
annaffy:saveText() AgriGO
limma::ebayes()
GOrilla
heatmap GeneVenn topGO
plot

Listas de genes Gráficos de Mapas de Diagramas Enriquecimiento

sobre-expresados dispersión calor de Venn funcional
e inhibidos (Scatterplots)
Análisis Explorativo:
Mapas de calor
Análisis Explorativo:
Mapas de calor
Análisis Explorativo:
Mapas de calor
Análisis Explorativo:
Mapas de calor
Análisis Explorativo:
Mapas de calor
Análisis Explorativo:
Mapas de calor
Análisis Explorativo:
Mapas de calor
 Análisis Explorativo:
Diagramas de Venn
affy::image()
affy::ReadAffy()
affy::cdfName() Imágenes
affyPLM::boxplot, hist
Datos crudos Estadísticos
Affy Object globales
(ficheros .CEL)

affy::rma() simpleaffy::qc()
affy::exprs() Resumen
de la calidad
limma:topTable()
Niveles de model.matrix
annaffy::aafTableAnn()
expresión limma::lmFit()
annaffy::saveHTML()
MakeContrasts/contrasts.fit
annaffy:saveText() AgriGO
limma::ebayes()
GOrilla
heatmap GeneVenn topGO
plot

Listas de genes Gráficos de Mapas de Diagramas Enriquecimiento

sobre-expresados dispersión calor de Venn funcional
e inhibidos (Scatterplots)
 Análisis Explorativo:
Diagramas de Venn
Genes
Activados

Genes activados por Genes activados por Genes activados por

falta de hierro específicamente falta de hierro falta de hierro especificamente
por la presencia de PYE independientes de PYE por la mutación de PYE
Análisis Explorativo:
Diagramas de Venn
Genes
Reprimidos
 Análisis Explorativo:
Diagramas de Venn
affy::image()
affy::ReadAffy()
affy::cdfName() Imágenes
affyPLM::boxplot, hist
Datos crudos Estadísticos
Affy Object globales
(ficheros .CEL)

affy::rma() simpleaffy::qc()
affy::exprs() Resumen
de la calidad
limma:topTable()
Niveles de model.matrix
annaffy::aafTableAnn()
expresión limma::lmFit()
annaffy::saveHTML()
MakeContrasts/contrasts.fit
annaffy:saveText() AgriGO
limma::ebayes()
GOrilla
heatmap GeneVenn topGO
plot

Listas de genes Gráficos de Mapas de Diagramas Enriquecimiento

sobre-expresados dispersión calor de Venn funcional
e inhibidos (Scatterplots)
 Análisis Explorativo:
Enriquecimeinto de términos de
Ontologías de Genes
Las ontologías de genes se desarrollaron para posibilitar la anotación
(incorporación de información) a genes de forma sistemática e inequívoca.

Las ontologías de genes consisten en un vocabulario estructurado y

controlado de términos que describen productos génicos según:
●
Procesos biológicos: Una serie de eventos moleculares con principio y
fin.
●
Componentes celulares: Localización en estructuras celulares o
macromoleculares.
●
Funciones moleculares: Actividades moleculares tales como
actividades enzimáticas.

http://www.geneontology.org/
 Análisis Explorativo:
Enriquecimeinto de términos de
Ontologías de Genes
Gene Set Enrichment Analysis (GSEA) es un método
matemático/computacional que determina si en un conjunto de genes
dados hay términos de GO que aparecen con significancia estadística con
respecto a un conjunto de genes que representan el universo total (o
fondo). 3/10 | 10/30
2/10 | 7/30
1/10 | 3/30
3/10 | 10/30
10
7 8/10 | 10/30
3 3/10 | 7/30
10

8/10 | 10/30
2/10 | 7/30
 Análisis Explorativo:
Enriquecimeinto de términos de
Ontologías de Genes
Representative
GO term Description p-value
genes
IREG2
transition metal
GO:0000041 IRT1 3.8e-07
ion transport
COPT2
IREG2
metal ion
GO:0030001 IRT1 0.00016
transport
COPT2
IREG2
GO:0006811 ion transport IRT1 0.00041
COPT2
IREG2
GO:0006812 cation transport IRT1 0.00016
COPT2
Homeostatic
GO:0042592 GH3.3 0.00014
process
ZIF1
This work is licensed under the Creative Commons Attribution-
NonCommercial-NoDerivs 3.0 Unported License. To view a copy of this
license, visit http://creativecommons.org/licenses/by-nc-nd/3.0/.