Gene Expression Heatmap
Visualizza matrici di espressione genica con heatmap SVG interattiva. Z-score normalizzazione per riga, clustering gerarchico single-linkage, export PNG. Tool client-side: i dati non lasciano il browser.
Matrice CSV in input
Prima riga: intestazione (gene,condizione1,condizione2,...). Righe successive: nome gene + valori numerici separati da virgola. Max visualizzabili: 8 geni × 6 condizioni.
Heatmap
Mostra tabella dati (accessibilità)
| Gene | ctrl_1 | ctrl_2 | treat_1 | treat_2 |
|---|---|---|---|---|
| TP53 | 1.20 | 1.40 | 3.50 | 3.20 |
| BRCA1 | 2.10 | 2.30 | 1.10 | 0.90 |
| MYC | 0.50 | 0.70 | 2.80 | 3.00 |
| EGFR | 1.80 | 2.00 | 2.50 | 2.70 |
| PTEN | 2.50 | 2.30 | 0.80 | 0.60 |
Per studenti di Bioinformatica LM-91
Come interpretare la heatmap
- Colori caldi (rosso): espressione elevata o z-score positivo. Indica up-regulation rispetto alla media di riga.
- Colori freddi (blu): espressione bassa o z-score negativo. Indica down-regulation.
- Z-score: normalizza i valori di ogni gene per confrontare pattern tra geni con scale di espressione diverse. Formula: z = (x − μ) / σ, dove μ e σ sono media e deviazione standard della riga.
- Clustering single-linkage: raggruppa geni con profili di espressione simili usando la distanza euclidea minima tra cluster. Utile per identificare co-regolazione genica.
Applicazioni in ricerca
- Analisi differenziale di espressione (DEA) in RNA-seq
- Identificazione di pattern di co-espressione
- Visualizzazione risultati da DESeq2, edgeR, limma
- Analisi di heat shock proteins, oncogeni, tumor suppressors
I geni del dataset esempio (TP53, BRCA1, MYC, EGFR, PTEN) sono classici tumor suppressors e proto-oncogeni nel contesto di studi di espressione differenziale.
Questo tool fa parte della sezione Università e supporta studenti delle magistrali LM-91 in Bioinformatica:
- UniBa - primo corso magistrale Bioinformatica del Sud Italia
- Polimi + UniMi - Bioinformatics for Computational Genomics congiunto LM-91
Approfondisci la teoria con la serie UniAppunti / Bioinformatica.
Come utilizzare Gene Expression Heatmap
1. Incolla o carica la matrice CSV
Usa il formato gene,condizione1,condizione2,... nella prima riga, poi una riga per gene con i valori numerici. Puoi partire dal dataset di esempio (5 geni x 4 condizioni) con "Carica esempio".
2. Attiva z-score e/o clustering
La normalizzazione z-score per riga rende confrontabili geni con scale di espressione diverse; il clustering gerarchico single-linkage riordina i geni per similarita' di profilo usando la distanza euclidea.
3. Leggi la heatmap
Passa il mouse (o il focus da tastiera) su una cella per vedere valore grezzo e z-score nel tooltip. Colori caldi (rosso) indicano up-regulation, colori freddi (blu) indicano down-regulation.
4. Esporta o consulta la tabella accessibile
Usa "Export PNG" per scaricare l'immagine della heatmap, oppure apri "Mostra tabella dati" per la versione tabellare screen-reader friendly.
Suggerimenti
- Usa lo z-score quando confronti geni con range di espressione molto diversi tra loro, non solo tra condizioni.
- Attiva il clustering per individuare visivamente gruppi di geni con pattern di co-regolazione simili.
- Apri sempre la tabella dati accessibile se devi verificare i valori esatti dietro un colore della heatmap.
Domande frequenti
Come si calcola lo z-score per riga?
Per ogni gene (riga) si calcola z = (x - mu) / sigma, dove mu e sigma sono media e deviazione standard dei valori di quella riga. Il risultato e' limitato tra -3 e +3 nella scala colore: 0 corrisponde al bianco, i valori positivi al rosso, quelli negativi al blu.
Che algoritmo usa il clustering gerarchico?
Il tool implementa un clustering single-linkage: parte da ogni gene come cluster a se', calcola la distanza euclidea tra i profili di espressione (sui valori z-score se attivi, altrimenti sui valori grezzi) e unisce iterativamente i due cluster piu' vicini, aggiornando le distanze con il minimo tra i cluster uniti.
Qual e' la dimensione massima della matrice visualizzabile?
La heatmap mostra al massimo 8 geni e 6 condizioni per garantire leggibilita' su schermi mobile. Se la matrice CSV supera questi limiti, vengono visualizzati solo i primi 8 geni e le prime 6 condizioni, con un avviso a schermo.
I miei dati di espressione genica vengono caricati su un server?
No, il parsing del CSV, il calcolo dello z-score, il clustering e il rendering SVG avvengono interamente nel browser. Nessun dato viene inviato a un server esterno, quindi puoi usare il tool anche su dataset didattici non pubblici.
Posso usare questo tool per analisi RNA-seq reali (DESeq2, edgeR, limma)?
E' pensato principalmente come strumento didattico per corsi di Bioinformatica (es. LM-91): puoi incollare un sottoinsieme di risultati gia' calcolati da DESeq2, edgeR o limma per visualizzarli rapidamente, ma non sostituisce il software statistico per l'analisi differenziale completa su dataset RNA-seq reali.