Analyse d’expression différentielle avec DESeq2 dans R : un tutoriel pas à pas

D’une matrice de comptage à une liste classée de gènes différentiellement exprimés — ajuster, interpréter, rétrécir et visualiser avec un volcano plot

Un guide pratique et complet de l’analyse d’expression différentielle des gènes avec DESeq2 dans R. Partez d’une matrice de comptage de bulk RNA-seq, construisez le DESeqDataSet avec le bon design, lancez le test binomial négatif entre deux conditions, et lisez chaque colonne du résultat — la moyenne de base, le log2 fold change et sa direction, l’erreur standard, la statistique de Wald, la p-value et la padj ajustée par FDR. Rétrécissez les fold changes pour le classement et le tracé, faites correspondre les identifiants Ensembl aux symboles de gènes, et tracez les deux figures que tout article RNA-seq utilise : le MA plot et le volcano plot. Sur le jeu de données airway intégré.

Date de publication

29 juin 2026

Modifié

8 juillet 2026

AstucePoints clés
  • DESeq2 repère les gènes qui changent entre deux conditions en bulk RNA-seq. Il modélise les comptages bruts avec une loi binomiale négative et emprunte de l’information entre les gènes — bien plus fiable qu’un t-test gène par gène sur une poignée de réplicats.
  • Donnez-lui la matrice de comptage brute (jamais des valeurs pré-normalisées), une table d’échantillons et une formule de design. DESeq2 estime lui-même ses facteurs de taille, vous n’avez donc rien à normaliser à la main.
  • Le résultat comporte une ligne par gène : log2FoldChange (taille et direction de l’effet), pvalue et padj — la p-value corrigée par FDR à laquelle vous vous fiez réellement. Le seuil est padj < 0.05, pas pvalue.
  • log2FoldChange est le rapport en log₂ des deux conditions : +1 = 2× plus élevé, -1 = 2× plus faible. Le signe dépend du niveau choisi comme référence — fixez-le avec relevel() avant de tester.
  • Rétrécissez les fold changes (lfcShrink, apeglm) avant de classer ou de tracer, puis lisez le résultat avec un MA plot (effet vs expression — une vue de CQ) et un volcano plot (effet vs significativité — les hits).

Introduction

Vous disposez d’une expérience de bulk RNA-seq : des cellules traitées d’une façon ou d’une autre, chaque condition séquencée quelques fois, et une matrice de comptage où chaque ligne est un gène et chaque nombre indique combien de reads se sont alignés sur ce gène dans cet échantillon. La question est toujours la même — quels gènes ont changé, et de combien ?

C’est l’analyse d’expression différentielle, et DESeq2 en est l’outil standard. C’est le bon choix dès que vous avez des comptages bruts issus d’une comparaison planifiée (traité vs contrôle, mutant vs sauvage, tumeur vs normal) avec au moins deux réplicats par groupe. Ce guide vous mène de la matrice de comptage à une liste de gènes classée et annotée et au volcano plot que vous mettrez dans l’article — et, tout aussi important, vous montre comment lire chaque nombre que le test renvoie.

Nous utilisons le jeu de données airway : des cellules musculaires lisses des voies respiratoires provenant de quatre donneurs, chacune avec et sans dexamethasone (un anti-inflammatoire glucocorticoïde). Il est fourni sous forme de package Bioconductor, de sorte que toute l’analyse est reproductible sur votre machine.

Les données : une matrice de comptage et ses échantillons

airway se présente comme un RangedSummarizedExperiment — un conteneur qui réunit la matrice de comptage (assay) et la table par échantillon (colData). Chargez-le et examinez les deux.

library(airway)
library(DESeq2)

data("airway")
airway                                   # the container: genes x samples
class: RangedSummarizedExperiment 
dim: 63677 8 
metadata(1): ''
assays(1): counts
rownames(63677): ENSG00000000003 ENSG00000000005 ... ENSG00000273492
  ENSG00000273493
rowData names(10): gene_id gene_name ... seq_coord_system symbol
colnames(8): SRR1039508 SRR1039509 ... SRR1039520 SRR1039521
colData names(9): SampleName cell ... Sample BioSample
# The sample table: `cell` = the four donor cell lines, `dex` = treated / untreated.
as.data.frame(colData(airway)[, c("cell", "dex")])
              cell   dex
SRR1039508  N61311 untrt
SRR1039509  N61311   trt
SRR1039512 N052611 untrt
SRR1039513 N052611   trt
SRR1039516 N080611 untrt
SRR1039517 N080611   trt
SRR1039520 N061011 untrt
SRR1039521 N061011   trt

Huit échantillons : quatre lignées cellulaires, chacune apparaissant une fois traitée (trt) et une fois non traitée (untrt). Cette structure appariée a son importance — nous contrôlerons la lignée cellulaire dans le design pour que le test voie l’effet de la dexamethasone, et non les différences d’un donneur à l’autre.

# Raw counts — whole numbers, one row per gene. The top-left corner:
head(assay(airway))[, 1:4]
                SRR1039508 SRR1039509 SRR1039512 SRR1039513
ENSG00000000003        679        448        873        408
ENSG00000000005          0          0          0          0
ENSG00000000419        467        515        621        365
ENSG00000000457        260        211        263        164
ENSG00000000460         60         55         40         35
ENSG00000000938          0          0          2          0

Construire le DESeqDataSet

DESeq2 travaille sur son propre objet, le DESeqDataSet, qui regroupe les comptages, la table d’échantillons et la formule de design. La formule énumère ce qui explique l’expression : ici, ~ cell + dex signifie « tenir compte de la lignée cellulaire, puis tester le traitement ». La variable d’intérêt se place en dernier.

dds <- DESeqDataSet(airway, design = ~ cell + dex)

# Set the reference level explicitly: compare treated AGAINST untreated.
dds$dex <- relevel(dds$dex, ref = "untrt")

Définir la référence avec relevel() n’est pas une formalité optionnelle — cela décide de la direction de chaque fold change. Avec untrt comme référence, un log2FoldChange positif signifie « plus élevé chez les traités ».

Un filtre rapide élimine les gènes presque dépourvus de reads. Ils n’apportent aucune information et ne font qu’alourdir la charge des tests multiples.

# Keep genes with at least 10 reads in total across the 8 samples.
keep <- rowSums(counts(dds)) >= 10
dds  <- dds[keep, ]
nrow(dds)                                # genes retained
[1] 22369

Un t-test suppose des mesures à peu près normales à variance égale. Les comptages RNA-seq ne sont ni l’un ni l’autre : ce sont des nombres entiers, jamais négatifs, asymétriques, et plus variables pour les gènes fortement exprimés. DESeq2 ajuste un modèle de loi binomiale négative par gène — l’équivalent de la courbe en cloche pour les données de comptage — et laisse chaque gène avoir sa propre variabilité supplémentaire (dispersion), qu’il stabilise en empruntant de l’information à l’ensemble des gènes. C’est ce qui le rend fiable avec seulement quelques réplicats. Il normalise aussi en interne via un facteur de taille par échantillon (médiane des rapports), de sorte que des échantillons séquencés à des profondeurs différentes sont comparables sans aucune étape manuelle. Proches parents : edgeR (également binomiale négative, performant avec très peu de réplicats) et limma-voom (rapide sur de très grandes études) — voir la FAQ.

Lancer le test d’expression différentielle

DESeq() réalise tout l’ajustement en un seul appel — facteurs de taille, dispersions et test de Wald sur la loi binomiale négative. Ensuite, results() extrait la table du contraste qui vous intéresse.

dds <- DESeq(dds)

res <- results(dds, contrast = c("dex", "trt", "untrt"))
summary(res)

out of 22369 with nonzero total read count
adjusted p-value < 0.1
LFC > 0 (up)       : 2610, 12%
LFC < 0 (down)     : 2224, 9.9%
outliers [1]       : 0, 0%
low counts [2]     : 4337, 19%
(mean count < 5)
[1] see 'cooksCutoff' argument of ?results
[2] see 'independentFiltering' argument of ?results

summary() donne l’essentiel : combien de gènes montent (up) et descendent (down) au seuil par défaut padj < 0.1, plus combien ont été écartés par le filtrage indépendant et la détection de valeurs aberrantes. Pour travailler au FDR conventionnel de 5 %, triez la table et conservez padj < 0.05.

res <- res[order(res$padj), ]            # most significant first
head(res, 5)
log2 fold change (MLE): dex trt vs untrt 
Wald test p-value: dex trt vs untrt 
DataFrame with 5 rows and 6 columns
                 baseMean log2FoldChange     lfcSE      stat       pvalue
                <numeric>      <numeric> <numeric> <numeric>    <numeric>
ENSG00000152583   997.445        4.57497  0.184241   24.8314 4.11067e-136
ENSG00000165995   495.096        3.29110  0.133053   24.7353 4.46338e-135
ENSG00000120129  3409.038        2.94785  0.121876   24.1872 3.03384e-129
ENSG00000101347 12703.413        3.76702  0.155992   24.1488 7.68266e-129
ENSG00000189221  2341.781        3.35365  0.142181   23.5872 5.21271e-123
                        padj
                   <numeric>
ENSG00000152583 7.41235e-132
ENSG00000165995 4.02419e-131
ENSG00000120129 1.82354e-125
ENSG00000101347 3.46334e-125
ENSG00000189221 1.87991e-119

Interpréter la sortie — chaque colonne

Cette table est tout l’objet de l’analyse : lisez-la colonne par colonne plutôt que de sauter directement à la p-value :

  • baseMean — le comptage normalisé moyen du gène sur l’ensemble des échantillons. Un niveau d’expression approximatif ; des valeurs très faibles signifient que l’estimation repose sur peu de données.
  • log2FoldChange — la taille de l’effet et la direction sur une échelle log₂. +1 = 2× plus élevé chez les traités, +2 = 4× plus élevé, -1 = 2× plus faible. Comme nous avons fixé untrt comme référence, positif = à la hausse avec la dexamethasone.
  • lfcSE — l’erreur standard de ce log2 fold change : la précision de l’estimation.
  • stat — la statistique de Wald, log2FoldChange / lfcSE. Forte amplitude → preuve solide.
  • pvalue — la p-value brute pour « ce gène ne change pas ».
  • padj — la p-value après correction pour les tests multiples (FDR de Benjamini–Hochberg). Avec ~18 000 gènes testés, la p-value brute produit forcément des milliers de faux positifs ; padj contrôle cela. C’est la colonne sur laquelle vous filtrez.
# Genes at 5% FDR, and how the change splits up vs down.
sig <- subset(res, padj < 0.05)
nrow(sig)
[1] 4000
table(direction = ifelse(sig$log2FoldChange > 0, "up in treated", "down in treated"))
direction
down in treated   up in treated 
           1807            2193

Un signal nettement bilatéral — environ 2 200 gènes à la hausse et 1 800 à la baisse. Cet équilibre est ce à quoi ressemble une vraie réponse biologique ; un résultat tout dans une seule direction signale en général un problème de normalisation ou de design.

ImportantFiltrez sur padj, jamais sur la pvalue brute

Avec des milliers de gènes testés simultanément, la colonne pvalue brute listera de nombreux gènes comme « significatifs » par le seul effet du hasard. Filtrez toujours sur padj < 0.05 (FDR). Un gène avec pvalue = 0.001 mais padj = 0.4 n’est pas un hit — parmi des milliers de tests, un p de 0.001 n’a rien de remarquable.

Rétrécir les fold changes

Pour les gènes à faible comptage, le log2FoldChange brut est extrêmement incertain — un gène avec 3 reads dans un groupe et 1 dans l’autre affiche un énorme fold change qui ne signifie rien. lfcShrink() tire ces estimations bruitées vers zéro proportionnellement à leur incertitude, en laissant presque intacts les gènes bien mesurés. Rétrécissez toujours avant de classer les gènes ou de tracer un MA plot / volcano plot.

resultsNames(dds)                        # the coefficient name to shrink
[1] "Intercept"               "cell_N061011_vs_N052611"
[3] "cell_N080611_vs_N052611" "cell_N61311_vs_N052611" 
[5] "dex_trt_vs_untrt"       
resLFC <- lfcShrink(dds, coef = "dex_trt_vs_untrt", type = "apeglm")

coef = "dex_trt_vs_untrt" nomme l’effet traité-vs-non-traité (visible dans resultsNames()) ; l’estimateur de rétrécissement (shrinkage) apeglm est l’option par défaut actuelle de DESeq2 et celle à citer.

Faire correspondre les identifiants Ensembl aux symboles de gènes

airway étiquette les gènes par identifiant Ensembl (ENSG…), que personne ne lit d’un coup d’œil. Faites-les correspondre aux symboles de gènes avec le package d’annotation humaine, pour rendre les graphiques et les tables interprétables.

library(org.Hs.eg.db)

resLFC$symbol <- mapIds(org.Hs.eg.db,
                        keys    = rownames(resLFC),
                        column  = "SYMBOL",
                        keytype = "ENSEMBL",
                        multiVals = "first")

# The strongest hits, now readable:
head(as.data.frame(resLFC[order(resLFC$padj), c("symbol", "log2FoldChange", "padj")]), 6)
                 symbol log2FoldChange          padj
ENSG00000152583 SPARCL1       4.559848 7.412355e-132
ENSG00000165995  CACNB2       3.280119 4.024187e-131
ENSG00000120129   DUSP1       2.936591 1.823540e-125
ENSG00000101347  SAMHD1       3.754342 3.463342e-125
ENSG00000189221    MAOA       3.341300 1.879910e-119
ENSG00000211445    GPX3       3.716111 7.768964e-108

Les hits les plus forts — menés par SPARCL1 et DUSP1, deux gènes répondant aux glucocorticoïdes bien documentés — constituent une vérification rassurante : le pipeline a trouvé de la vraie biologie, pas du bruit.

Visualiser : MA plot et volcano plot

Une table de 22 000 lignes est impossible à lire à l’œil nu ; les analyses RNA-seq la transforment donc en deux images standard.

MA plot — une vue de contrôle qualité

Le MA plot montre, pour chaque gène, son expression moyenne (x, échelle logarithmique) face à son log2 fold change rétréci (y), les gènes significatifs étant colorés et les plus forts étiquetés. C’est le premier graphique à tracer, car il révèle si le changement se comporte raisonnablement entre gènes à faible et à fort comptage — le nuage doit se resserrer étroitement vers zéro à gauche. Nous traçons la version prête à publier avec ggpubr::ggmaplot.

library(ggpubr)

ggmaplot(resLFC,
         fdr         = 0.05,
         fc          = 2,
         genenames   = as.vector(resLFC$symbol),
         size        = 0.6,
         top         = 10,
         palette     = c("#EF4444", "#3a86d4", "grey80"),   # up = red, down = azure, ns = grey
         font.label  = c(10, "bold"),
         font.legend = "bold",
         ggtheme     = theme_minimal()) +
  labs(title = "MA plot — dexamethasone treated vs untreated")

Publication-grade MA plot (ggpubr ggmaplot) of the airway differential expression: mean expression on a log x-axis against the shrunken log2 fold change on the y-axis. Most genes form a grey cloud funnelling to zero at low expression; genes passing 5% FDR and a two-fold change are coloured — up in red, down in blue — and the top genes such as SPARCL1, CACNB2 and DUSP1 are labelled.

Chaque point est un gène, et le nuage se resserre vers zéro à faible expression — le signe d’un résultat sain, sans biais systématique. Les gènes colorés passent à la fois FDR < 5 % et un changement d’un facteur deux, une barre plus stricte que la seule significativité : sur les ~4 000 gènes significatifs au FDR, 454 sont à la hausse et 369 à la baisse à ce seuil de fold change, les plus forts (SPARCL1, CACNB2, DUSP1…) étant étiquetés. Ajouter un seuil de taille d’effet à la significativité est une pratique standard quand on veut une liste restreinte fiable.

Volcano plot — les hits

Le volcano plot est la figure que tout le monde reconnaît : le log2 fold change (x) face à la significativité statistique, -log10(padj) (y). Les gènes intéressants se trouvent dans les coins supérieurs — un grand changement et une petite p-value ajustée. Plutôt que de recourir à un package boîte noire, nous le construisons directement dans ggplot2 — une recette courte, prête à publier, qui vous appartient et que vous pouvez restyler pour n’importe quel article. Classez d’abord chaque gène selon les deux mêmes seuils que ci-dessus (FDR < 5 % et |log2FC| > 1) :

vol <- as.data.frame(resLFC)
vol <- vol[!is.na(vol$padj), ]
vol$status <- "Not sig."
vol$status[vol$padj < 0.05 & vol$log2FoldChange >  1] <- "Up"
vol$status[vol$padj < 0.05 & vol$log2FoldChange < -1] <- "Down"

# label the top 10 hits in EACH direction (so up and down are both shown)
up   <- vol[vol$status == "Up",   ]
down <- vol[vol$status == "Down", ]
top  <- rbind(head(up[order(up$padj), ],   10),
              head(down[order(down$padj), ], 10))
table(vol$status)

    Down Not sig.       Up 
     369    17209      454

Traçons maintenant : des points colorés par statut, des lignes pointillées aux seuils, et les 10 gènes du sommet dans chaque direction étiquetés avec ggrepel pour que les noms ne se chevauchent jamais.

library(ggplot2)
library(ggrepel)

ggplot(vol, aes(log2FoldChange, -log10(padj), colour = status)) +
  geom_point(size = 0.8, alpha = 0.6) +
  geom_vline(xintercept = c(-1, 1),     linetype = "dashed", colour = "grey60") +
  geom_hline(yintercept = -log10(0.05), linetype = "dashed", colour = "grey60") +
  geom_text_repel(data = top, aes(label = symbol),
                  size = 3, max.overlaps = 30, colour = "grey20", segment.colour = "grey70") +
  scale_colour_manual(values = c(Up = "#EF4444", Down = "#3a86d4", "Not sig." = "grey80")) +
  labs(x = expression(log[2]~fold~change), y = expression(-log[10]~adjusted~p),
       colour = NULL, title = "Dexamethasone treated vs untreated") +
  theme_minimal(base_size = 12) +
  theme(legend.position = "top")

Volcano plot of dexamethasone treated versus untreated airway cells: log2 fold change on the x-axis, -log10 adjusted p-value on the y-axis. Non-significant genes sit grey near the centre; significant genes spread into the top-left (down, azure) and top-right (up, red) corners. The top 10 genes in each direction are labelled by ggrepel — induced genes such as SPARCL1, DUSP1 and SAMHD1 on the right, repressed genes such as VCAM1, CXCL12 and COL1A1 on the left.

La plupart des gènes se situent près du centre (faible changement, non significatifs) ; les hits s’étalent dans les deux coins supérieurs — une réponse réelle, bilatérale. Les gènes en haut à droite (rouge) sont induits par la dexamethasone, ceux en haut à gauche (bleu azur) sont réprimés — les mêmes 454 à la hausse / 369 à la baisse signalés par le MA plot, désormais placés par significativité. Comme il s’agit de pur ggplot2, vous pouvez modifier les seuils, les couleurs ou les gènes étiquetés pour les adapter à votre propre figure.

Tous deux placent le même fold change sur un axe mais l’associent à un second axe différent : ils répondent donc à des questions différentes — tracez les deux.

MA plot Volcano plot
Axes fold change vs expression moyenne fold change vs significativité (−log10 padj)
Idéal pour un coup d’œil CQ — le changement est-il cohérent entre gènes à faible et à fort comptage ? repérer les top hits — grand changement et significatif — d’un coup d’œil
Angle mort pas d’axe de significativité — vous ne voyez pas padj masque le niveau d’expression — un grand fold change dans un gène à faible comptage peut sembler impressionnant mais peu fiable

Enregistrer les résultats pour les partager

Exportez la table annotée pour que vos collaborateurs puissent l’ouvrir dans Excel ou la transmettre à l’étape suivante (enrichissement de voies).

out <- as.data.frame(resLFC)
out$ensembl <- rownames(out)
write.csv(out, "deseq2_results.csv", row.names = FALSE)

Problèmes fréquents

Les fold changes pointent dans le mauvais sens. Le signe est fixé par le niveau de référence. Si des valeurs positives signifient « à la baisse chez les traités », c’est que vous avez oublié de relevel() le facteur (ou nommé le contraste à l’envers). Définissez relevel(dds$dex, ref = "untrt") avant DESeq() et relancez.

Beaucoup de NA dans padj. C’est attendu et intentionnel. DESeq2 fixe padj = NA pour les gènes qu’il écarte — ceux à très faible comptage (sans puissance) ou portant une valeur aberrante signalée. Ils sont retirés de la correction pour tests multiples afin de ne pas la diluer ; ce ne sont pas des erreurs.

lfcShrink échoue avec un coef inconnu. Le nom du coefficient doit correspondre exactement à resultsNames(dds). Après le relevel, l’effet traité-vs-non-traité est dex_trt_vs_untrt. Lancez resultsNames(dds) et copiez la chaîne.

Questions fréquentes

C’est le log₂ du rapport entre vos deux conditions, il se lit donc en puissances de deux : +1 = 2× plus élevé, +2 = 4× plus élevé, -1 = 2× plus faible. La direction du signe dépend du niveau de référence que vous fixez avec relevel() — avec untrt comme référence, une valeur positive signifie plus élevé dans le groupe traité.

Sur padj. Avec des milliers de gènes testés simultanément, la p-value brute produit de nombreux faux positifs par hasard. padj est la correction FDR de Benjamini–Hochberg ; padj < 0.05 maintient le taux de fausses découvertes attendu à 5 %. Une petite pvalue avec un grand padj n’est pas un vrai hit.

Tous deux ajustent un modèle de loi binomiale négative aux comptages et s’accordent généralement sur les gènes forts. DESeq2 a des réglages par défaut prudents (filtrage indépendant, rétrécissement des fold changes) et est tolérant pour les designs typiques ; edgeR est souvent préféré avec très peu de réplicats et offre le test de quasi-vraisemblance flexible glmQLFit. Choisissez-en un, déclarez-le, et ne sélectionnez pas opportunément l’outil qui donne le résultat souhaité. limma-voom est une troisième option qui passe à l’échelle sur de très grandes études.

Des comptages entiers bruts, toujours. DESeq2 estime lui-même sa normalisation (facteurs de taille) en interne et le modèle binomial négatif suppose des comptages. Ne lui donnez jamais de TPM, FPKM, RPKM, ni de valeurs log-transformées — cela casse les hypothèses du modèle.

Les gènes à faible comptage produisent d’énormes estimations de fold change peu fiables. lfcShrink() tire les estimations bruitées vers zéro proportionnellement à leur incertitude tout en laissant tranquilles les gènes bien mesurés, de sorte que le classement et les volcano/MA plots reflètent des gènes auxquels vous pouvez réellement vous fier. Utilisez l’estimateur apeglm (l’option par défaut actuelle).

Testez vos connaissances

À partir de l’objet dds de cette leçon, produisez une table de résultats où un log2FoldChange positif signifie qu’un gène est plus élevé chez les non-traités (l’inverse de ce que nous avons fait). Vérifiez que le fold change du gène de tête a simplement changé de signe.

Vous n’avez pas besoin de réajuster le modèle. Soit vous changez l’ordre du contrast dans results(), soit vous appliquez relevel() au facteur pour faire de trt la référence et relancez DESeq().

Inversez simplement le contraste — pas besoin de réajuster :

res_rev <- results(dds, contrast = c("dex", "untrt", "trt"))
res_rev <- res_rev[order(res_rev$padj), ]
head(res_rev[, c("log2FoldChange", "padj")], 3)

Chaque log2FoldChange est l’opposé de l’original, et padj est inchangé — la preuve est la même, seule la direction choisie diffère.

A. La probabilité qu’un gène isolé soit un faux positif. B. La proportion attendue de faux positifs parmi les gènes que vous déclarez significatifs. C. La taille du fold change.

B. padj est le taux de fausses découvertes (Benjamini–Hochberg). À padj < 0.05, environ 5 % des gènes que vous déclarez significatifs sont attendus comme faux positifs. Cela ne dit rien sur la taille de l’effet — c’est le log2FoldChange, distinct.

Conclusion

Vous avez mené une analyse d’expression différentielle de bout en bout : de la matrice de comptage airway à un DESeqDataSet avec un design ~ cell + dex, en passant par le test de Wald sur la loi binomiale négative, jusqu’à une table classée que vous pouvez lire colonne par colonne — log2FoldChange pour l’effet et la direction, padj pour le seuil. Vous avez rétréci les fold changes pour un classement honnête, fait correspondre les identifiants Ensembl aux symboles de gènes, et tracé les MA plot et volcano plot qui résument le résultat. Les règles pratiques : donnez-lui des comptages bruts, placez la variable d’intérêt en dernier dans le design et fixez son niveau de référence, et filtrez sur padj, pas pvalue.

L’étape naturelle suivante est de se demander ce que font ces gènes — en regroupant les hits en voies biologiques par analyse de sur-représentation et d’enrichissement d’ensembles de gènes.

Leçons connexes

  • Analyse RNA-seq bulk — la série complète, de la matrice de comptage à l’enrichissement de voies. · Bioinformatique — le pilier : RNA-seq, single-cell et workflows omiques reproductibles.
  • À suivre dans cette série : l’enrichissement de voies — transformer votre liste de gènes différentiellement exprimés en processus biologiques qu’ils affectent (ensembles de gènes GO, KEGG et Hallmark).
Cette page vous a-t-elle été utile ?

Recevez les nouvelles leçons R & Python par e-mail

Pratique, reproductible, sans spam. Désinscription à tout moment.

Double opt-in. Nous ne partageons jamais votre e-mail.

Partager cette pageXLinkedInRedditHN
Note

Cette leçon est reproductible : chaque table, chaque statistique et chaque figure ont été produites par le code montré — copiez n’importe quel bloc et exécutez-le pour les reproduire. The runtime is the judge.

Références

  • Love, M. I., Huber, W., & Anders, S. (2014). Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biology, 15(12), 550.
  • Zhu, A., Ibrahim, J. G., & Love, M. I. (2019). Heavy-tailed prior distributions for sequence count data: removing the noise and preserving large differences (apeglm). Bioinformatics, 35(12), 2084–2092.
  • Himes, B. E., et al. (2014). RNA-Seq transcriptome profiling identifies CRISPLD2 as a glucocorticoid responsive gene in airway smooth muscle cells (le jeu de données airway). PLoS ONE, 9(6), e99625.
  • Love, M. I., Anders, S., & Huber, W. Analyzing RNA-seq data with DESeq2 — la vignette Bioconductor.

Réutilisation

Citation

BibTeX
@online{2026,
  author = {},
  title = {Analyse d’expression différentielle avec DESeq2 dans R : un
    tutoriel pas à pas},
  date = {2026-06-29},
  url = {https://www.datanovia.com/learn/bioinformatics/bulk-rna-seq/differential-expression-deseq2},
  langid = {fr}
}
Veuillez citer ce travail comme suit :
“Analyse d’expression différentielle avec DESeq2 dans R : un tutoriel pas à pas.” 2026. June 29. https://www.datanovia.com/learn/bioinformatics/bulk-rna-seq/differential-expression-deseq2.