28.11

Deterministic model (ordinary differential equation)

Stochastic modeling (incorporates randomness/ noise)

Deterministisches Modell (gewöhnliche Differentialgleichung)

Stochastische Modellierung (beinhaltet Zufälligkeit/Rauschen)

—>time it takes for the protein level to respond—>delay before responding

—> level of which protein concentration stops changing

—> Zeit, die benötigt wird, damit der Proteingehalt sich verändert—> Verzögerung vor der Reaktion

—> Niveau, bei dem sich die Proteinkonzentration nicht mehr verändert

Visualization of high complex data with a dimension reduction technique

—> linear transformation

Visualisierung hochkomplexer Daten mit einer Dimensionsreduktionstechnik

—> lineare Transformation

extrinsic: fluctuation in biosynthetic machinery (onle eucarytoes)

intrinsic: low copy numbers of the genes(eucaryotes and procaryotes)

extrinsisch: Schwankungen in der biosynthetischen Maschinerie (nur bei Eukaryoten)

intrinsisch: geringe Kopienzahlen der Gene (Eukaryoten und Prokaryoten)

Batch correction has to be handles with care

Modern solutions for differential expression analysis that use linear models to model gene expression, can be fed with additional information about the batches, if these are known. (As in our case). However its important to note, that you can also have artifacts that are not directly correlated with the known batch! For this there are packages such as SVA - Surrogate variable analysis - that provide algorithms for detecting and correcting batch effects

Batch-Korrekturen müssen sorgfältig durchgeführt werden

Moderne Ansätze zur Differenzanalyse der Genexpression, die lineare Modelle zur Modellierung der Genexpression verwenden, können mit zusätzlichen Informationen über die Batches gefüttert werden, sofern diese bekannt sind (wie in unserem Fall). Es ist jedoch wichtig zu beachten, dass auch Artefakte auftreten können, die nicht direkt mit den bekannten Batches korrelieren. Dafür gibt es Pakete wie SVA – Surrogate Variable Analysis, die Algorithmen zur Erkennung und Korrektur von Batch-Effekten bereitstellen.

-The DimPlot function generates a scatter plot where each point represents a single cell

-The plot is a simplified representation of the high-dimensional scRNA-seq data, projecting it onto two dimensions that capture the most variance within the data

-Principal Components: PC1 (Principal Component 1) and PC2 (Principal Component 2) are the axes of the plot. They represent the two principal components that capture the most significant variance in the data

-Die DimPlot-Funktion erstellt ein Streudiagramm, bei dem jeder Punkt eine einzelne Zelle darstellt

—> sie zeigt, ob die PCA sinnvolle biologische Strukturen abbildet/ zellgruppen/cluster

-Das Diagramm ist eine vereinfachte Darstellung der hochdimensionalen scRNA-seq-Daten, projiziert auf zwei Dimensionen, die die größte Varianz in den Daten erfassen

-Hauptkomponenten: PC1 (Hauptkomponente 1) und PC2 (Hauptkomponente 2) sind die Achsen des Diagramms

—>bedeutendste Varianz in den Daten

unwanted artifacts or noise in the data that are not associtated with the biological condition

—>become apparent when analyzing different batches

sources: artifacts in the data

Unerwünschte Artefakte oder Rauschen in den Daten, die nicht mit der biologischen Bedingung zusammenhängen

→ werden sichtbar, wenn verschiedene Batches analysiert werden

Quellen: Artefakte in den Daten

shows pathways that genes interact with eachother

gives targets for potential medication

can be start for another downstream analysis to focus on a specific pathway

Zeigt Signalwege, in denen Gene miteinander interagieren

Lieferte Zielstrukturen für potenzielle Medikamente

Kann als Ausgangspunkt für weitere Downstream-Analysen dienen, um sich auf einen spezifischen Signalweg zu konzentrieren

Differential gene expression analysis identifies genes whose expression levels significantly differ between biological conditions. Its purpose is to uncover affected pathways, understand underlying mechanisms, generate hypotheses, and discover biomarkers or therapeutic targets

Die Analyse der differentiellen Genexpression identifiziert Gene, deren Expressionsniveaus sich signifikant zwischen biologischen Bedingungen unterscheiden.

Ihr Zweck ist es, betroffene Signalwege aufzudecken, zugrunde liegende Mechanismen zu verstehen, Hypothesen zu generieren sowie Biomarker oder therapeutische Zielstrukturen zu entdecken.

Limma (Linear Models for Microarray Data) is a widely used R package for the analysis of gene expression data, including both microarray and RNA-seq data. Limma was originally developed for the analysis of microarray data, but has since been adapted for the analysis of RNA-seq data using the voom transformation

Limma (Linear Models for Microarray Data) ist ein weit verbreitetes R-Paket zur Analyse von Genexpressionsdaten, einschließlich sowohl Microarray- als auch RNA-Seq-Daten.

Limma wurde ursprünglich für die Analyse von Microarray-Daten entwickelt, wurde jedoch inzwischen für die Analyse von RNA-Seq-Daten unter Verwendung der Voom-Transformation angepasst.