Este es un documento dinámico que contiene un flujo de trabajo de análisis de datos de qPCR. Ha sido diseñado para leer datos de Cq de placas prediseñadas de qPCR miRCURY LNAT (Exiqon), medidas en un termociclador ABI PRISM 7000 Sequence Detection System.
El formato de los datos deberá cumplir las siguientes caracterísiticas:
Cada placa de qPCR tendrá la misma distribución: cada gen medido se encuentra en el mismo pocillo en todas las placas.
A cada placa le corresponde un único fichero de texto con 1 columna y tantas filas como pocillos, con los valores Cq.
Los ficheros han de ser de texto plano (csv, txt).
Se necesita un fichero adicional Genesinfo.txt
con información sobre el nombre del gen que se evalúa en cada pocillo.
Se necesita otro fichero adicional samplesinfo.txt
que relaciona el nombre del fichero con las condiciones experimentales correspondientes.
El documento viene acompañado de un set de datos de muestra, en el que se midió la expresión génica de miRNAs purificados de exosomas de orina en humanos. Algunos comentarios del informe no son dinámicos, sino específicos de este set de datos. En dichos casos se indicará.
Tras la compilación del documento, se generará un informe con el análisis y los resultados de los datos de qPCR introducidos por el usuario. Además, los gráficos y tablas generados se guardarán automáticamente en archivos independientes para que el usuario pueda disponer de ellos.
En este documento se compagina la ejecución de código necesario para el análisis (en lenguaje R) con explicaciones de cada etapa. El código instalará el/los paquetes de R y bioconductor necesarios para ejecutar el pipeline, en el caso de que no estuviesen instalados.
En primer lugar, para la lectura de los datos el usuario deberá editar algunas pequeñas partes del código en el documento pipeline_qPCR.Rmd
para adaptarlo a sus datos. El usuario deberá establecer:
"./dades"
y cambiarlo por la ruta de carpetas de los datos a analizar.# MODIFICABLE POR EL USUARIO
# ruta de carpetas donde se encuentran los datos a analizar:
ruta <- "./dades"
# MODIFICABLE POR EL USUARIO
# Escoge el número de pocillos de la placa (96/384):
pocillos <- 96
Una vez puesto a punto el código, los datos se estarán leyendo desde el directorio ./dades.
Para la lectura de los datos se utiliza el paquete HTqPCR
(Dvinge and Bertone (2009)).
Durante la lectura de los datos, puede suceder que falten datos de Cq para algunas medidas. Cuando se da el caso de que faltan algunos valores, para poder continuar con el análisis se recomienda (Dvinge and Bertone (2009)) sustituir estos valores ausentes por un valor numérico elevado, como por ejemplo 40. Si el umbral de detección está en el ciclo número 40 se puede considerar que no hay amplificación de ARN que detectar, y la expresión será por tanto cercana a 0.
En este caso, en el set de datos a analizar faltan datos de Cq de: 129 pocillos.
# Para que no aparezca el aviso de los valores NA (ausentes),
# se suele sustituir por un valor numérico elevado como 40
# MODIFICABLE POR EL USUARIO
limitcq <- 40
exprs(raw)[is.na(exprs(raw))] <- limitcq
El set de datos actual consiste en un conjunto de 28 placas de qPCR o muestras. Estas muestras se dividen en 2 tratamientos experimentales denominados: 1, 2. En cada tratamiento se ha medido 2 respuestas, denominadas: A, B. Tenemos, en total, 4 grupos experimentales distintos.
A continuación se presenta una lista de los miRNA y controles medidos en cada placa. Cada número corresponde a la posición del pocillo correspondiente.
En la siguiente tabla se muestra un resumen estadístico de los datos de expresión global (Cq o ciclo de detección) de cada muestra. Esta tabla se guardará automáticamente en un archivo de texto denominado Results_raw_summary.csv
.
Min. | 1st Qu. | Median | Mean | 3rd Qu. | Max. | |
---|---|---|---|---|---|---|
sample01 | 15.7 | 22.7 | 27.2 | 26.7 | 30.2 | 41.6 |
sample02 | 16.1 | 25.4 | 28.7 | 29.0 | 32.1 | 41.6 |
sample03 | 16.3 | 24.8 | 27.3 | 27.2 | 29.2 | 40.0 |
sample04 | 10.8 | 22.6 | 35.6 | 31.9 | 40.0 | 40.0 |
sample05 | 15.6 | 24.8 | 26.9 | 26.8 | 28.6 | 41.3 |
sample06 | 15.8 | 20.4 | 24.4 | 24.2 | 27.2 | 40.0 |
sample07 | 16.6 | 28.8 | 31.1 | 31.3 | 33.8 | 40.0 |
sample08 | 16.4 | 30.1 | 32.3 | 32.9 | 37.0 | 40.0 |
sample09 | 16.7 | 26.2 | 28.4 | 28.2 | 30.5 | 40.5 |
sample10 | 15.9 | 23.4 | 25.2 | 25.6 | 28.4 | 40.0 |
sample11 | 15.9 | 20.9 | 25.0 | 24.8 | 27.7 | 40.0 |
sample12 | 15.6 | 21.6 | 23.4 | 24.0 | 25.7 | 40.0 |
sample13 | 16.2 | 27.1 | 29.3 | 29.8 | 32.5 | 40.8 |
sample14 | 16.0 | 27.1 | 28.3 | 29.1 | 31.3 | 40.0 |
sample15 | 17.1 | 25.1 | 26.4 | 27.0 | 29.2 | 40.0 |
sample16 | 16.0 | 22.3 | 23.8 | 24.2 | 25.6 | 40.0 |
sample17 | 16.6 | 27.8 | 30.0 | 30.1 | 32.3 | 40.0 |
sample18 | 15.6 | 23.6 | 25.8 | 25.8 | 27.7 | 40.0 |
sample19 | 16.3 | 26.7 | 29.0 | 28.9 | 31.2 | 40.0 |
sample20 | 16.1 | 26.7 | 29.5 | 29.2 | 31.4 | 40.0 |
sample21 | 16.1 | 26.9 | 32.1 | 30.8 | 35.4 | 40.0 |
sample22 | 16.0 | 22.3 | 25.9 | 25.6 | 28.3 | 40.0 |
sample23 | 16.1 | 25.2 | 27.6 | 27.4 | 30.0 | 40.0 |
sample24 | 15.9 | 26.3 | 28.3 | 28.5 | 31.2 | 40.0 |
sample25 | 15.8 | 29.1 | 31.6 | 31.6 | 35.6 | 40.0 |
sample26 | 16.2 | 25.3 | 27.9 | 27.6 | 30.4 | 40.0 |
sample27 | 15.9 | 25.9 | 28.9 | 28.6 | 31.2 | 40.0 |
sample28 | 16.4 | 26.4 | 29.2 | 28.9 | 31.6 | 40.0 |
En el siguiente gráfico se muestra una vista preliminar de los valores de expresión Cq en crudo de cada uno de los genes/controles medidos. Este gráfico se guardará automáticamente en un archivo denominado Results_raw_plotCtOverview.png
.
En el siguiente gráfico se muestra una vista preliminar de los valores y la distribución de expresión de cada muestra. Este gráfico se guardará automáticamente en el archivo Results_raw_plotCtBoxes.png
.
En el siguiente gráfico de jerarquía se observa cómo se agrupan las muestras. Es común que las muestras se agrupen por grupos experimentales. Si esto sucede, y hay alguna de ellas muy alejada o agrupada con un grupo al que no correspondería, será apropiedo descartarla para continuar el análisis.
El siguiente gráfico muestra un análisis de componentes principales. Si las muestras se agrupan por grupos experimentales será indicativo de que pueden existir diferencias significativas entre los tratamientos del experimento. Este gráfico se generará con el nombre de Results_raw_PCA.png
.
En este punto podemos decidir si deberíamos descartar alguna muestra que no se agrupe con el resto de su mismo grupo experimental. En nuestro set de datos de ejemplo, podría ser una buena idea eliminar la muestra 4 (perteneciente al grupo 1B).
El protocolo para qPCR miRCURY LNAT (Exiqon) incluye una serie de ARNs control que se adicionan a la muestra en diferentes etapas para monitorizar los procesos de aislamiento del ARN, reversotranscripción a cDNA, y rendimiento de la reacción de amplificación. Estos controles pueden servir para identificar y excluir muestras atípicas o ‘outliers’.
Las placas prediseñadas qPCR miRCURY LNAT (Exiqon) contienen secuencias para medir esos controles. La posición de estos controles en la placa varía según el modelo. Por eso, según el modelo de placa utilizado, en esta etapa el usuario habrá de introducir la información sobre qué pocillos de la placa contienen estos controles, siguiendo las plantillas de la página de Exiqon.
# MODIFICABLE POR EL USUARIO SI ES NECESARIO
# Asignar posiciones de los controles en la placa:
UniSp3 <- c(12, 36, 48)
UniSp6 <- 24
CelmiR39 <- 92
UniSp2 <- 93
UniSp4 <- 94
UniSp5 <- 95
Blank <- 96
Los controles UniSp2, UniSp4 and UniSp5 se adicionan a la muestra previamente a la extracción de ARN, y sirven para monitorizar dicho proceso. Cada uno de los controles tiene una concentración final 100 veces menor que el anterior, siendo el más concentrado UniSp2 y UniSp5 el más diluido. Tras la reacción de PCR se espera que las diferencias en Cq entre dichos controles sea de 5-7 Cq. En la gráfica siguiente se muestra el resultado de amplificación de estos controles. El gráfico se guardará como Results_plotCt_norm_unisp245.png
.
Un segundo control consiste en la adición de UniSp6 y cel-39-3p tras el aislamiento de ARN y previamente a la síntesis de cDNA. Es una manera de diagnosticar problemas en la reacción de retrotranscripción. El gráfico generado a continuación permite visualizar estos controles, y será almacenado como Results_plotCt_unisp6CelmiR39.png
.
Este control tiene varias funciones:
Permite distinguir resultados negativos verdaderos de falsos resultados negativos causados por un mal funcionamiento de la reacción de PCR.
Permite calibrar y comparar entre placas. Si todo ha ido bien, los valores Cq deberían ser muy similares dentro de la misma placa y especialmente entre placas.
A continuación se muestran los niveles de amplificación de estos controles, que se guardarán en el archivo Results_plotCt_Uni3.png
.
En esta etapa se asignan las categorías ‘Ok’, ‘Unreliable’ o ‘Undetermined’ a cada medición de Cq con la función setCategory
. El usuario establece un rango de detección de Cq, con unos limites mínimo y máximo.
El límite máximo está establecido en 35 por defecto. Las medidas que superen el número máximo de ciclos serán catalogadas como ‘Undetermined’, y serán aquellas para las que no se ha detectado expresión. Aquí se incluyen los valores NA que previamente se habían establecido en 40 Cq.
El límite mínimo está establecido en 10 por defecto. Las medidas que queden por debajo del número máximo de ciclos serán catalogadas como ‘Unreliable’.
Ambos límites pueden ser modificados por el usuario.
# MODIFICABLE POR EL USUARIO
Cqmax <- 35
Cqmin <- 10
En el siguiente gráfico podemos ver la proporción de muestras de cada una de las categorías. En este estado también se puede tomar la decisión de descartar una muestra poco fiable. Por ejemplo, en el set de datos de muestra, sería buena idea descartar la muestra 4 como habíamos señalado anteriormente. El gráfico se guardará en Results_categories.png
.
El gen normalizador es un gen cuya expresión sirve de base para calcular la expresión relativa del resto de genes a analizar. Normalmente, habrá sido sido escogido por el usuario durante el diseño del experimento. En tal caso, la elección debe estar debidamente justificada y dicho gen deberá estar validado experimentalmente como un buen gen de referencia Bustin et al. (2009).
Si no se dispone de un gen de referencia, este pipeline calcula los genes que menos variación presentan entre muestras, es decir, cuya desviación estándar relativa es menor.
El usuario deberá escoger cuántos genes normalizadores quiere encontrar. Por defecto se han escogido 3.
# MODIFICABLE POR EL USUARIO
numero_genes_ref <- 3
Blank | 0 |
UniSp3_IPC_3 | 0.02459 |
UniSp3_IPC_2 | 0.02748 |
UniSp3_IPC | 0.03517 |
UniSp5_CP | 0.05033 |
Cel-miR-39-3p_CP | 0.07281 |
hsa-miR-20a-5p | 0.07537 |
hsa-miR-145-5p | 0.08173 |
hsa-miR-200a-3p | 0.08243 |
UniSp4_CP | 0.08917 |
En la lista precedente se muestran los 10 primeros genes que menos varían en su expresión entre diferentes muestras o placas. Lo normal es que aparezcan algunos de los controles que se utilizan para evaluar la calidad de la qPCR. Éstos deben descartarse como genes normalizadores, pues provienen de ARN que no formaba parte de la muestra original.
Se podrán usar como genes de referencia para normalizar los 3 miRNA cuya expresión es más constante a lo largo de las muestras: hsa-miR-20a-5p, hsa-miR-145-5p, hsa-miR-200a-3p.
En este paso del análisis el usuario debe escoger un método de normalización de la expresión génica, para hacer comparables los valores de expresión entre genes y muestras. La normalización se llevará a cabo con la función normalizeCtData
del paquete HTqPCR
.
Este método de normalización calcula el \(\Delta\) Cq según describieron Livak y Schmittgen Livak and Schmittgen (2001). El argumento deltaCt
del paquete HTqPCR
calcula el nivel de expresión promedio (Cq) de los genes de referencia escogidos en el apartado anterior, y calcula la diferencia de este promedio con respecto al resto de valores de expresión génica.
Si se escoge este método de normalización se toman como referencia el o los genes: hsa-miR-20a-5p, hsa-miR-145-5p, hsa-miR-200a-3p, tal y como se indicó en el apartado anterior.
Otro de los métodos disponibles es la normalización por media geométrica. El argumento geometric.mean
calcula el valor Cq promedio para cada muestra, y reescala todos los valores Cq de la muestra con respecto a ese promedio. Algunos estudios han demostrado que este método es el idóneo para normalizar expresión de miRNA Mestdagh et al. (2009).
A continuación, el usuario deberá especificar qué método de normalización prefiere. Por defecto se aplicará el método \(\Delta\)Cq.
# MODIFICABLE POR EL USUARIO
tipo_de_normalizacion <- "deltaCt" # opciones: "geometric.mean", "deltaCt"
Es buena idea comparar los valores crudos con los valores normalizados, para visualizar cómo ha ido la corrección de los datos. En el siguiente gráfico se representan los datos de expresión cada gen en crudo (eje x) frente a los datos normalizados (eje y).
En los siguientes gráficos de cajas se muestran los valores crudos y normalizados de cada muestra por separado. Se puede apreciar cómo cambia la distribución de expresiones en cada una de las muestras antes y después de la normalización.
En la etapa de laboratorio, los controles se adicionan a la muestra de ARN en distintos pasos, y permiten monitorizar los procesos de extracción y amplificación. Una vez comprobado que dichos procesos han ido bien, los controles no aportan ninguna información sobre la expresión génica de las muestras, y por tanto se habrán de excluir.
También eliminaremos los datos marcados como ‘Unreliable’ y/o ‘Undetermined’.
De forma automática, además, se eliminan las medidas de miRNA con más de 3 medidas marcadas como “Unreliable”. El usuario puede cambiar este límite en el siguiente código.
#MODIFICABLE POR EL USUARIO
excluir <- 3
Removed 9 ‘Control’ features based on featureType(q). Removed 0 features with >3 ‘Unreliable’ based on featureCategory(q).
En este gráfico ‘heatmap’ tenemos un resumen visual de cómo se agrupan las muestras experimentales (horizontal), así como de los valores de expresión relativa de cada una de los genes (vertical) en cada una de las muestras. Se guardará como Results_heatmap.png
.
En el siguiente gráfico se muestra un análisis PCA con las dos principales fuentes de variación entre muestras (x e y). Si los puntos o muestras aparecen formando agrupaciones es indicativo de que existirán diferencias experimentales entre dichas muestras. Se almacenará en Results_norm_PCA.png
.
En este último apartado se calculará la expresión génica relativa entre los 4 grupos experimentales.
Se realizarán contrastes 2 a 2 de cada uno de los grupos experimentales mediante un test t. El usuario podrá escoger el nivel de significación que deben alcanzar los genes diferencialmente expresados. Por defecto está establecido en \(\alpha\)=0,05. Se calculará un p-valor ajustado por el método de Benjamini y Hochberg (Benjamini and Hochberg (1995)), debido a las comparaciones múltiples que se realizarán.
# MODIFICABLE POR EL USUARIO
sig <- 0.05
A continuación, los contrastes realizados son específicos de los datos del proyecto, que contiene los grupos experimentales 1A, 1B, 2A y 2B.
A continuación se muestra una lista de los 15 genes más diferencialmente expresados entre estos grupos experimentales. Se indica si la expresión aumenta o se inhibe en relación al primer grupo del contraste t, en este caso, en relación al grupo 1A. La tabla de resultados se guardará en Results_DE_1Avs1B.csv
.
genes | adj.p.value | ddCt | FC | Regulated | |
---|---|---|---|---|---|
27 | hsa-miR-15a-5p | 0.2107 | -8.761 | 433.9 | down |
35 | hsa-miR-195-5p | 0.8151 | -3.306 | 9.887 | down |
44 | hsa-miR-210 | 0.977 | -3.017 | 8.093 | down |
7 | hsa-let-7g-5p | 0.977 | 4.954 | 0.03227 | up |
24 | hsa-miR-148b-3p | 0.977 | 4.944 | 0.03248 | up |
77 | hsa-miR-429 | 0.977 | 4.71 | 0.03821 | up |
20 | hsa-miR-135b-5p | 0.977 | -4.869 | 29.23 | down |
26 | hsa-miR-151a-5p | 0.977 | 4.6 | 0.04123 | up |
72 | hsa-miR-375 | 0.977 | -4.772 | 27.32 | down |
54 | hsa-miR-26b-5p | 0.977 | -1.652 | 3.143 | down |
50 | hsa-miR-23b-3p | 0.977 | 3.336 | 0.09903 | up |
17 | hsa-miR-126-3p | 0.977 | 3.209 | 0.1081 | up |
34 | hsa-miR-193b-3p | 0.977 | 3.852 | 0.06927 | up |
83 | hsa-miR-660-5p | 0.977 | 4.681 | 0.03897 | up |
45 | hsa-miR-22-3p | 0.977 | 1.756 | 0.2961 | up |
A continuación se muestran estos 15 genes en un gráfico de expresión génica relativa.
En conclusión, presentan expresión diferencial significativa un total de 0 genes. El nivel de significación está fijado en \(\alpha\) = 0.05.
A continuación se muestra una lista de los 15 genes más diferencialmente expresados entre estos grupos experimentales. Se indica si la expresión aumenta o se inhibe en relación al primer grupo del contraste t, en este caso, en relación al grupo 2A. La tabla de resultados se guardará en Results_DE_2Avs2B.csv
.
genes | adj.p.value | ddCt | FC | Regulated | |
---|---|---|---|---|---|
35 | hsa-miR-195-5p | 0.7625 | -5.118 | 34.73 | down |
22 | hsa-miR-145-5p | 0.7625 | 1.233 | 0.4254 | up |
13 | hsa-miR-107 | 0.7625 | -3.379 | 10.41 | down |
19 | hsa-miR-133a | 0.7625 | -1.09 | 2.128 | down |
58 | hsa-miR-29b-3p | 0.7625 | -3.092 | 8.527 | down |
68 | hsa-miR-31-5p | 0.7625 | -2.303 | 4.936 | down |
67 | hsa-miR-31-3p | 0.7625 | -1.522 | 2.872 | down |
55 | hsa-miR-27a-3p | 0.7625 | 2.395 | 0.1901 | up |
6 | hsa-let-7f-5p | 0.7625 | -0.8658 | 1.822 | down |
78 | hsa-miR-500a-5p | 0.7625 | 1.937 | 0.2611 | up |
40 | hsa-miR-203a | 0.7625 | -3.428 | 10.76 | down |
17 | hsa-miR-126-3p | 0.7625 | -1.376 | 2.596 | down |
80 | hsa-miR-574-3p | 0.7625 | -1.07 | 2.1 | down |
42 | hsa-miR-20a-5p | 0.7625 | -0.8381 | 1.788 | down |
12 | hsa-miR-106b-5p | 0.7625 | -2.737 | 6.668 | down |
A continuación se muestran estos 15 genes en un gráfico de expresión génica relativa.
En conclusión, presentan expresión diferencial significativa un total de 0 genes. El nivel de significación está fijado en \(\alpha\) = 0.05.
A continuación se muestra una lista de los 15 genes más diferencialmente expresados entre estos grupos experimentales. Se indica si la expresión aumenta o se inhibe en relación al primer grupo del contraste t, en este caso, en relación al grupo 1A. La tabla se guardará en Results_DE_1Avs2A.csv
.
genes | adj.p.value | ddCt | FC | Regulated | |
---|---|---|---|---|---|
72 | hsa-miR-375 | 0.8145 | -5.111 | 34.56 | down |
10 | hsa-miR-103a-3p | 0.8145 | -1.852 | 3.609 | down |
52 | hsa-miR-25-3p | 0.8145 | -1.875 | 3.668 | down |
54 | hsa-miR-26b-5p | 0.8145 | -2.141 | 4.409 | down |
5 | hsa-let-7e-5p | 0.8145 | -4.89 | 29.65 | down |
6 | hsa-let-7f-5p | 0.8145 | -0.8848 | 1.847 | down |
27 | hsa-miR-15a-5p | 0.8145 | -4.462 | 22.04 | down |
39 | hsa-miR-200c-3p | 0.8145 | -2.45 | 5.464 | down |
15 | hsa-miR-10b-5p | 0.8145 | -2.87 | 7.308 | down |
14 | hsa-miR-10a-5p | 0.8145 | 3.846 | 0.06956 | up |
23 | hsa-miR-148a-3p | 0.8145 | -1.265 | 2.403 | down |
55 | hsa-miR-27a-3p | 0.8145 | -3.064 | 8.364 | down |
46 | hsa-miR-22-5p | 0.8145 | -1.386 | 2.614 | down |
44 | hsa-miR-210 | 0.8145 | -2.239 | 4.72 | down |
26 | hsa-miR-151a-5p | 0.8145 | 1.65 | 0.3186 | up |
A continuación se muestran estos 15 genes en un gráfico de expresión génica relativa.
En conclusión, presentan expresión diferencial significativa un total de 0 genes. El nivel de significación está fijado en \(\alpha\) = 0.05.
A continuación se muestra una lista de los 15 genes más diferencialmente expresados entre estos grupos experimentales. Se indica si la expresión aumenta o se inhibe en relación al primer grupo del contraste t, en este caso, en relación al grupo 1A. La tabla se guardará en Results_DE_1Bvs2B.csv
.
genes | adj.p.value | ddCt | FC | Regulated | |
---|---|---|---|---|---|
2 | hsa-let-7b-5p | 0.7398 | -3.427 | 10.75 | down |
45 | hsa-miR-22-3p | 0.7398 | -2.578 | 5.973 | down |
30 | hsa-miR-17-5p | 0.7398 | -5.081 | 33.84 | down |
38 | hsa-miR-200b-3p | 0.7398 | -3.021 | 8.119 | down |
17 | hsa-miR-126-3p | 0.7398 | -3.942 | 15.37 | down |
7 | hsa-let-7g-5p | 0.7398 | -4.205 | 18.44 | down |
62 | hsa-miR-30b-5p | 0.7398 | -4.785 | 27.57 | down |
27 | hsa-miR-15a-5p | 0.7398 | 3.956 | 0.06443 | up |
49 | hsa-miR-23a-3p | 0.7398 | -4.048 | 16.54 | down |
77 | hsa-miR-429 | 0.7398 | -4.114 | 17.32 | down |
73 | hsa-miR-378a-3p | 0.7398 | -4.208 | 18.48 | down |
51 | hsa-miR-24-3p | 0.7398 | -3.449 | 10.92 | down |
13 | hsa-miR-107 | 0.7398 | -3.176 | 9.038 | down |
34 | hsa-miR-193b-3p | 0.7398 | -3.725 | 13.22 | down |
87 | hsa-miR-99b-5p | 0.7398 | -2.536 | 5.801 | down |
A continuación se muestran estos 15 genes en un gráfico de expresión génica relativa.
En conclusión, presentan expresión diferencial significativa un total de 0 genes. El nivel de significación está fijado en \(\alpha\) = 0.05.
Como última parte de este documento, se indica la versión de R con la que se ha ejecutado el pipeline, así como los paquetes usados. Se guardará automáticamente un archivo con la información de salida. Ésta información puede ser de utilidad a la hora de diagnosticar problemas de ejecución.
R version 3.3.3 (2017-03-06)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 7 x64 (build 7601) Service Pack 1
locale:
[1] LC_COLLATE=Spanish_Spain.1252 LC_CTYPE=Spanish_Spain.1252
[3] LC_MONETARY=Spanish_Spain.1252 LC_NUMERIC=C
[5] LC_TIME=Spanish_Spain.1252
attached base packages:
[1] parallel stats graphics grDevices utils datasets methods base
other attached packages:
[1] HTqPCR_1.28.0 limma_3.30.13 RColorBrewer_1.1-2 Biobase_2.34.0
[5] BiocGenerics_0.20.0 pander_0.6.0 knitr_1.15.1
loaded via a namespace (and not attached):
[1] Rcpp_0.12.10 magrittr_1.5 zlibbioc_1.20.0
[4] stringr_1.2.0 caTools_1.17.1 tools_3.3.3
[7] KernSmooth_2.23-15 affy_1.52.0 htmltools_0.3.5
[10] gtools_3.5.0 yaml_2.1.14 rprojroot_1.2
[13] digest_0.6.12 preprocessCore_1.36.0 affyio_1.44.0
[16] bitops_1.0-6 evaluate_0.10 rmarkdown_1.5
[19] gdata_2.17.0 stringi_1.1.5 BiocInstaller_1.24.0
[22] gplots_3.0.1 backports_1.0.5 stats4_3.3.3
Benjamini, Yoav, and Yosef Hochberg. 1995. “Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing.” Journal of the Royal Statistical Society. Series B (Methodological). JSTOR, 289–300.
Bustin, Stephen A, Vladimir Benes, Jeremy A Garson, Jan Hellemans, Jim Huggett, Mikael Kubista, Reinhold Mueller, et al. 2009. “The Miqe Guidelines: Minimum Information for Publication of Quantitative Real-Time Pcr Experiments.” Clinical Chemistry 55 (4). Clinical Chemistry: 611–22.
Dvinge, Heidi, and Paul Bertone. 2009. “HTqPCR: High-Throughput Analysis and Visualization of Quantitative Real-Time Pcr Data in R.” Bioinformatics 25 (24). Oxford Univ Press: 3325–6.
Livak, Kenneth J, and Thomas D Schmittgen. 2001. “Analysis of Relative Gene Expression Data Using Real-Time Quantitative Pcr and the 2- \(\Delta\)\(\Delta\)Ct Method.” Methods 25 (4). Elsevier: 402–8.
Mestdagh, Pieter, Pieter Van Vlierberghe, An De Weer, Daniel Muth, Frank Westermann, Frank Speleman, and Jo Vandesompele. 2009. “A Novel and Universal Method for MicroRNA Rt-QPCR Data Normalization.” Genome Biology 10 (6). BioMed Central: R64.