metabolómica en plantas. metabolic phenotypes generated by changes in h +-pyrophosphatase (avp1)...
Post on 22-Jan-2016
216 Views
Preview:
TRANSCRIPT
GENOMICA FUNCIONAL Y BIOINFORMÁTICA -
Metabolómica en Plantas
PROYECTO DE TESIS
METABOLIC PHENOTYPES GENERATED BY CHANGES IN H +-PYROPHOSPHATASE (AVP1) EXPRESSION IN Arabidopsis thaliana ECOTYPE COLUMBIA (MAYO DE 2009)
M.C. MARÍA EUGENIA GARCÍA FIERRO Asesor: Dra. Rocio Díaz Co-Asesor: Dr. Víctor Treviño
RESISTENCIA A SEQUÍA
Tesis de María Eugenia García Fierro
RESISTENCIA A SEQUÍA
Arabidopsis thaliana
Tesis de María Eugenia García Fierro
METODOLOGÍA
Tesis de María Eugenia García Fierro
CROMATOGRAFÍA
DETECCIÓN DE PICOS
PICOS DETECTADOS
LISTA DE PICOS
PICOS
PARÁMETROS
PRE-PROCESAMIENTO
Use el archivo de BB “MZmine XML mod negativo.txt” Edítelo en Excel para darle “formato” para MeV
Una las columnas ID,MZ y RT usando la función concatenate para que queden en formato “ID:#:MZ:#:RT:#”
Use redondeo con 1 decimal para evitar id largos Elimine las columnas originales ID, MZ y RT para que MeV
no las interprete como datos Copie los valores de la columna concatenada antes de borrar
estas columnas y luego restaurelos usando “paste especial .. Values” para evitar perderlos
Remplace las celdas vacias con 1 (recuerde que log(1) = 0) Guarde el archivo “como” “metabolomica.txt” usando
“separado por tabuladores” (en excel)
PROCESAMIENTO DE DATOS DE METABOLÓMICA USANDO MEV
Ábra el archivo “metabolómica.txt” en MeV (use el tipo separado por tabuladores)
Inactive “Load Annotations”
REVISE LOS DATOS
Ajuste los niveles de colores (DisplaySet Color Scale Limits)
Ajuste el tamaño de la celda (DisplaySet Element Size)
TRANSFORMACIÓN
Es necesaria la transformación logarítmica? En caso de ser
necesario, haga la transformación
Reajuste los límites de visualización
Revise los datos visualmente
NORMALIZACIÓN
Es necesario la normalización ? En caso de ser
necesaria la normalización, efectúela
Reajuste los niveles de colores
Revise los datos
AGREGE LOS GRUPOS
Vamos a agrupar los datos en clusters, en este caso son diferentes muestras de la misma cepa Wild Type Mutante
heterocigota Mutante homocigota Sobreexpresora 1 Sobreexpresora 2
HIERARCHICAL CLUSTERING
Haga un agrupamiento usando todos los datos Analice los clusters formados
relacionados con los grupos de muestras
Efectue una ANOVA con los 5 grupos (p < 0.005)
Haga un agrupamiento ahora usando solo los estadísticamente significativos usando la ANOVA anterior
Analice los grupos de los picos significativos y comparelos con la agrupación inicial
HIERARCHICAL CLUSTERING (INCLUYENDO PICOS)
Podemos ver picos que estan presentes en una cepa con respecto de otra o WT
PCA – PRINCIPAL COMPONENT ANALYSIS Efectue un PCA por
Muestras Data Reduction PCA (usando
medias) Visualice el 3D View de los
resultados de PCA Si no se ven las muestras
(puntos) use el botón derecho
Use Show Spheres Use Show Text Options… point size
La gráfica muestras un “nuevo sistema coordenado” dictado por las 3 primeras componentes principales
También podemos tener una vista 2D
PCA
En los resultados de PCA podemos además ver… Los valores de carga
(pesos) PC Plots PC Information
El % de varianza explicado por cada PC
Las componentes importantes se toman “subjetivamente” hasta cierto límite
Por ejemplo hasta la PC5 ya que %Var de PC6 < 5%
PCA
La idea en PCA es explorar la posibilidad de que un par de PCA puedan correlacionar los grupos de interés (clusters) PC1 ~ Homocigoto (-)
vs Sobreproductora (+) Use las gráficas de
PCA (3D y 2D) para identificar las mejores
PCA – SELECCIÓN DE VARIABLES
Una vez que ubicamos la PC que deseamos usar…. Usamos sus valores de pesos para seleccionar las mejores variables
Pesos Positivos relacionados aAVP1 y AVP2
Pesos Negativos relacionados aavpH
PCA – SELECCIÓN DE VARIABLES
Los vectores de pesos de cada componente estan en PC Information
Component i
Copielos y peguelos en excel, los mayores (positivos y negativos) son los más importantes
top related