--- title: "Primeros pasos con el paquete GeneExprLupusMx" subtitle: "Qué contiene el paquete y por dónde empezar" output: rmarkdown::html_vignette date: "`r Sys.Date()`" package: "GeneExprLupusMx" vignette: > %\VignetteIndexEntry{Primeros pasos con el paquete GeneExprLupusMx} %\VignetteEngine{knitr::rmarkdown} %\VignetteEncoding{UTF-8} --- ```{r, include = FALSE} knitr::opts_chunk$set( collapse = TRUE, comment = "#>" ) ``` ```{css, echo = FALSE, file = "lesson.css"} ``` ## ¿Qué es GeneExprLupusMx? `GeneExprLupusMx` es un paquete de R con **datos transcriptómicos (RNA-seq) de mujeres mexicanas con lupus eritematoso sistémico (LES, o *SLE* en inglés) y de controles sanas**. Está pensado para investigación y para enseñanza: además de los datos, incluye lecciones paso a paso para aprender a analizarlos. - **33 participantes:** 10 controles sanas (`Ctrl`) y 23 pacientes con lupus (`SLE`). - **3 tipos celulares por participante:** monocitos, células dendríticas derivadas de monocitos (moDC) y células dendríticas tolerogénicas (tolDC). - **99 muestras** en total (33 × 3). Los datos provienen del artículo: > Hernández-Ledesma AL, Coss-Navarrete EL, *et al* (2026) [Gene expression profiling of dendritic cell tolerance dysfunction in women with systemic lupus erythematosus](https://www.frontiersin.org/journals/immunology/articles/10.3389/fimmu.2026.1771959/full). *Front. Immunol.* 17:1771959. [doi: 10.3389/fimmu.2026.1771959](https://doi.org/10.3389/fimmu.2026.1771959). ```{r overview, echo = FALSE, out.width = "100%", fig.cap = "Resumen del estudio y del contenido del paquete."} knitr::include_graphics("img/overview_promo.png") ``` ## Instalación Instala el paquete desde [GitHub](https://github.com/EveliaCoss/GeneExprLupusMx). Algunas lecciones usan además `DESeq2`, disponible en [Bioconductor](https://bioconductor.org/packages/DESeq2): ```{r install, eval = FALSE} install.packages(c("remotes", "BiocManager", "tidyverse")) remotes::install_github("EveliaCoss/GeneExprLupusMx", build_vignettes = TRUE) BiocManager::install("DESeq2") ``` Una vez instalado, cárgalo: ```{r setup} library(GeneExprLupusMx) ``` ## ¿Qué datos contiene? El paquete incluye tres conjuntos de datos principales. `metadata_cleaned` y `volunteer_info` están disponibles en cuanto cargas el paquete. `filtered_txi` es más grande, así que no se instala con el paquete: se descarga con `download_data()` la primera vez que lo usas y después se lee desde tu computadora. | Objeto | Qué contiene | Una fila por | Tamaño | |--------|--------------|--------------|--------| | `filtered_txi` | Cuentas de RNA-seq cuantificadas con Salmon e importadas con `tximport` | gen | 21,718 genes × 99 muestras | | `metadata_cleaned` | Grupo, tipo celular y datos clínicos de cada muestra | muestra | 99 muestras | | `volunteer_info` | Edad, diagnóstico, tratamientos y fecha de reclutamiento | voluntaria | 33 voluntarias | También incluye **listas de genes de referencia** que usan algunas lecciones: | Objeto | Qué contiene | Se usa en | |--------|--------------|-----------| | `biotype_summary` | Biotipo de cada gen (codificante, lncRNA…) | Lección 4 | | `sle_genes` | Genes asociados al lupus en la literatura | Lección 4 | | `isg_genes` | Genes estimulados por interferón (Yu et al., 2025) | Lección 4 | | `moDC_genes` | Genes descritos en la diferenciación de monocito a moDC | Lección 5 | | `dc_genes` | Genes asociados a la diferenciación de células dendríticas | Lección 5 | | `tolDC_genes` | Firma transcripcional de las células dendríticas tolerogénicas (Robertson et al., 2021) | Lección 6 | Además, incluye **checkpoints**: objetos que se construyen en una lección y se guardan en el paquete para que la siguiente pueda empezar desde ahí, sin repetir los pasos. Los dos más grandes, `dds` y `zscore_mat`, también se descargan con `download_data()`. | Objeto | Qué contiene | Se construye en | |--------|--------------|-----------------| | `dds` | `DESeqDataSet` filtrado y normalizado (13,596 genes × 99 muestras); requiere `DESeq2` | Lección 2 | | `zscore_mat` | Matriz de z-scores de la expresión VST, para *heatmaps* (13,596 genes × 99 muestras) | Lección 2 | | `de_results` | Resultados de expresión diferencial SLE vs Ctrl de cada tipo celular (`DESeq2`) | Lección 3 | | `go_results` | Términos funcionales enriquecidos de los DEG (g:Profiler, versión e113) | Lección 4 | | `de_celltype_results` | Expresión diferencial de moDC y tolDC contra monocitos, en controles y pacientes (`DESeq2`) | Lección 5 | | `go_celltype_results` | Términos funcionales enriquecidos de esos DEG (g:Profiler) | Lección 5 | | `de_interaction_results` | Interacción `Group:Cell_type`: genes cuyo cambio de monocito a célula dendrítica es distinto en las pacientes (`DESeq2`) | Lección 7 | | `go_interaction_results` | Términos funcionales enriquecidos de esos genes (g:Profiler) | Lección 7 | Un vistazo rápido a cada uno: ```{r, eval = FALSE} filtered_txi <- download_data("filtered_txi") # solo descarga la primera vez dim(filtered_txi$counts) # genes x muestras #> [1] 21718 99 ``` ```{r} head(metadata_cleaned[, c("sample_ID", "Group", "Cell_type")], 3) head(volunteer_info[, c("Volunteer_ID", "Group", "Age_years", "Time_of_recruitment")], 3) ``` ### ¿Cómo se relacionan? Las tres tablas se conectan por sus identificadores. Cada muestra tiene un nombre como `QR011_1`: la primera parte (`QR011`) identifica a la voluntaria y el número final, al tipo celular (`_0` = monocito, `_1` = moDC, `_3` = tolDC). ```{=html} 
flowchart LR
  T["filtered_txi
cuentas por gen"] -- "columnas = sample_ID" --- M["metadata_cleaned
una fila por muestra"]
  M -- "Volunteer_ID
(prefijo de sample_ID)" --- V["volunteer_info
una fila por voluntaria"]
``` ```{r, eval = FALSE} # Las columnas de las cuentas están en el mismo orden que las filas de los metadatos all(colnames(filtered_txi$counts) == metadata_cleaned$sample_ID) #> [1] TRUE ``` ```{r} # De muestra a voluntaria sub("_.*", "", "QR011_1") ``` Para conocer cada columna en detalle, consulta la ayuda: `?filtered_txi`, `?metadata_cleaned` y `?volunteer_info`. ## Ruta de aprendizaje Las lecciones están pensadas para seguirse en orden, pero cada una puede leerse por separado. | Lección | Aprenderás a… | Datos | Tiempo | |---------|---------------|-------|--------| | [1. Conociendo a las participantes](https://eveliacoss.github.io/GeneExprLupusMx/articles/clinical_es.html) | Describir a la cohorte con estadística descriptiva, tablas, pruebas de normalidad y comparaciones entre grupos | `volunteer_info` | 45 a 60 min | | [2. De las cuentas de RNA-seq a la exploración de datos](https://eveliacoss.github.io/GeneExprLupusMx/articles/intro_RNAseq_es.html) | Importar las cuentas, normalizarlas con `DESeq2`, explorar genes y hacer *heatmaps* y PCA | `filtered_txi`, `metadata_cleaned`, `volunteer_info` | 1 a 1.5 h | | [3. Genes diferencialmente expresados entre pacientes y controles](https://eveliacoss.github.io/GeneExprLupusMx/articles/l3_DEGs_es.html) | Validar tipos celulares con biomarcadores, hacer expresión diferencial con `DESeq2` e interpretar volcano plots | `filtered_txi`, `metadata_cleaned`, `zscore_mat` | 1.5 h | | [4. Funciones biológicas de los genes diferencialmente expresados](https://eveliacoss.github.io/GeneExprLupusMx/articles/l4_GOterms_es.html) | Hacer un análisis de enriquecimiento funcional con g:Profiler, identificar genes de SLE e ISG, probar su enriquecimiento (hipergeométrica y Fisher) y correlacionar los ISG con la actividad de la enfermedad | `de_results`, `go_results`, `sle_genes`, `isg_genes`, `biotype_summary`, `zscore_mat`, `metadata_cleaned`, `volunteer_info` | 1.5 h | | [5. Diferenciación de monocitos a células dendríticas](https://eveliacoss.github.io/GeneExprLupusMx/articles/l5_DEGs_monocytes_diff_es.html) | Comparar células dendríticas contra monocitos, validar la diferenciación con genes conocidos y explorar rutas y metabolismo de lípidos | `de_celltype_results`, `go_celltype_results`, `moDC_genes`, `dc_genes` | 1.5 h | | [6. La firma transcripcional de las células dendríticas tolerogénicas](https://eveliacoss.github.io/GeneExprLupusMx/articles/l6_DEGs_tolDcs_es.html) | Evaluar las tolDC con una firma publicada, combinar z-scores y LFC, elegir la referencia correcta para comparar e identificar los genes que concuerdan con la firma | `tolDC_genes`, `de_celltype_results`, `zscore_mat` | 1 h | | [7. ¿Se diferencian igual las células de pacientes y controles?](https://eveliacoss.github.io/GeneExprLupusMx/articles/l7_DEGs_between_groups_es.html) | Ajustar un modelo con interacción, interpretar una "diferencia de diferencias", resumir los genes con procesos de Reactome y graficar trayectorias de expresión | `de_interaction_results`, `go_interaction_results`, `zscore_mat`, `isg_genes` | 1.5 h | Cada lección incluye **retos** con su solución para practicar, y termina reproduciendo una figura o tabla del artículo. Además, la guía [Cómo usar las funciones del paquete](https://eveliacoss.github.io/GeneExprLupusMx/articles/functions_es.html) muestra cómo aplicar `get_heatmap_mat()`, `create_heatmap()`, `process_go()` y `reduce_go_terms()` a tus propios datos. ## ¿Cómo citar? Hay dos citas: una para el **paquete** y otra para los **datos**. Si usas este recurso, por favor incluye ambas. **1) Cómo citar el paquete** (lecciones, funciones y objetos de R): > Coss E (2026) *GeneExprLupusMx: Datos transcriptómicos de lupus en mujeres mexicanas con lecciones de aprendizaje*. Paquete de R. [doi: 10.5281/zenodo.23751369](https://doi.org/10.5281/zenodo.23751369). Este DOI siempre apunta a la versión más reciente; en [Zenodo](https://doi.org/10.5281/zenodo.23751369) encontrarás el DOI de cada versión. **2) Cómo citar los datos** (artículo original y análisis en Zenodo): > Hernández-Ledesma AL, Coss-Navarrete EL, *et al* (2026) [Gene expression profiling of dendritic cell tolerance dysfunction in women with systemic lupus erythematosus](https://www.frontiersin.org/journals/immunology/articles/10.3389/fimmu.2026.1771959/full). *Front. Immunol.* 17:1771959. [doi: 10.3389/fimmu.2026.1771959](https://doi.org/10.3389/fimmu.2026.1771959). > Coss-Navarrete EL, Hernández-Ledesma AL, *et al* (2025) [Analysis of gene expression profiles during tolerance induction in dendritic cells from women with Systemic Lupus Erythematosus](https://doi.org/10.5281/zenodo.17742206) [Data set]. *Zenodo*. [doi: 10.5281/zenodo.17742206](https://doi.org/10.5281/zenodo.17742206). ```{=html} ↑ Volver a Inicio ```