Zusammenfassung
Seit dem Einzug der DNA-Microarrays und der Next-Generation-Sequencing-Technologie in die molekulare Forschung unterrichten Biometriker in zunehmendem Maße Methoden der sogenannten „Statistischen Bioinformatik“. Diese Methoden betreffen die bioinformatisch-statistische Auswertung großer Datensätze, maßgeblich hochdimensionale Genexpressionsdaten. Hierfür stehen verschiedene Methoden und Analysetools zur Verfügung, deren Anwendung am Computer meist jedoch viel Zeit benötigt. In der Lehre der Statistischen Bioinformatik möchte man dennoch den Studierenden die Effekte der verschiedenen Methoden an einem gegebenen Datensatz aufzeigen. Um nicht wiederholt sehr große Abbildungen mit vielen Datenpunkten zu generieren, ermöglicht das freie Statistikprogramm R (https://www.r-project.org/) die Anwendung der Erweiterung Shiny (http://shiny.rstudio.com/). Shiny ist eine Web-Applikation für R, um interaktive Grafiken in einem Internetbrowser darzustellen. Diese Grafiken lassen sich mit verschiedenen Parametern versehen und interaktiv ändern, z. B. durch Schieberegler. Die Änderungen an den Einstellungen werden in Echtzeit angezeigt und lassen die Studierenden die Effekte, die durch die Änderung der Methodik oder der Parameter auftreten, nachvollziehen. Die hier vorgestellten E-Learning-Lehrmethoden wurden studiengangübergreifend in einem R-Kurs an der Tierärztlichen Hochschule Hannover evaluiert. Alle vorgestellten Shiny-Apps stehen unter https://jkruppa.github.io/ zum Download bereit.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Bolstad BM, Irizarry RA, Astrand M, Speed TP (2003) A comparison of normalization methods for high density oligonucleotide array data based on bias and variance. Bioinformatics 19:185–193
Efron B (2010) Large-scale inference.Cambridge University Press, Cambridge
Robinson MD, McCarthy DJ, Smyth GK (2010) edgeR: a Bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics 26(1): 139–140
Smyth GK (2005). Limma: Linear models for microarray data. In: Bioinformatics and computational biology solutions using R and Bioconductor. Springer, New York, S. 397–420
Sturn A, Quackenbush J, Trajanoski Z (2002) Genesis: Cluster analysis of microarray data. Bioinformatics 18(1):207–208
Subramanian A, Tamayo P, Mootha VK, Mukherjee S, Ebert BL, Gillette MA, Mesirov JP (2005) Gene set enrichment analysis: A knowledge-based approach for interpreting genome-wide expression profiles. P Natl Acad Sci 102(43):15545–15550
Author information
Authors and Affiliations
Corresponding author
Anhang
Anhang
Die elektronischen Materialien zu diesem Beitrag finden Sie online auf GitHub.com und können von dort heruntergeladen werden. Die notwendigen Informationen zum Download und zur Installation sind unter https://jkruppa.github.io/ und dann mithilfe der jeweiligen Shiny-App abrufbar. Für alle Shiny-Apps müssen noch vorab zusätzliche Pakete in R installiert werden, die auf der jeweiligen Webseite der Shiny-App zu entnehmen sind.
Rights and permissions
Copyright information
© 2017 Springer-Verlag GmbH Deutschland
About this chapter
Cite this chapter
Kruppa, J., Jung, K. (2017). Interaktive Tools für die Lehre der Statistischen Bioinformatik. In: Zeig mir mehr Biostatistik!. Springer Spektrum, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-54825-7_2
Download citation
DOI: https://doi.org/10.1007/978-3-662-54825-7_2
Published:
Publisher Name: Springer Spektrum, Berlin, Heidelberg
Print ISBN: 978-3-662-54824-0
Online ISBN: 978-3-662-54825-7
eBook Packages: Life Science and Basic Disciplines (German Language)