Анализ дифференциальной экспрессии в многофакторных экспериментах RNA-Seq с учетом биологической вариабельности
Differential expression analysis of multifactor RNA-Seq experiments with respect to biological variation
2012-01-28
SCID: 54.1/ppwesqgb
Discuss with AI
дифференциальная экспрессия RNA-SeqedgeRэмпирические байесовские методыгеноспецифическая дисперсияобобщённые линейные модели
Figures from the paper
Abstract (AI)
Разработан гибкий статистический подход к анализу числа прочтений в исследованиях экспрессии генов методом RNA-Seq. Он позволяет анализировать сложные эксперименты с множеством условий обработки и блокирующих переменных, одновременно в полной мере учитывая биологическую вариабельность. Биологическая вариабельность между образцами РНК оценивается отдельно от технической вариабельности, связанной с технологиями секвенирования. Новые эмпирические байесовские методы позволяют учитывать специфическую для каждого гена вариабельность даже при относительно небольшом числе биологических повторов, на основании которых эту вариабельность необходимо оценивать. Конвейер реализован в пакете edgeR проекта Bioconductor. Анализ данных карциномы в рамках тематического исследования демонстрирует способность методов обобщенных линейных моделей (GLM) выявлять дифференциальную экспрессию при парном дизайне и даже обнаруживать специфичные для опухоли изменения экспрессии. Это исследование показывает необходимость учитывать вариабельность, специфичную для каждого гена, вместо предположения об общей дисперсии для всех генов или о фиксированной зависимости между уровнем экспрессии и вариабельностью. Дисперсии, оцениваемые для каждого гена, снижают приоритет генов с противоречивыми результатами и позволяют сосредоточить основной анализ на изменениях, согласующихся между биологическими повторами. Разработаны параллельные вычислительные подходы, ускоряющие и повышающие надежность подгонки нелинейных моделей, что делает применение GLM к геномным данным более удобным и практичным. Моделирование демонстрирует способность скорректированных оценок профильного правдоподобия обеспечивать точную оценку биологической вариабельности в сложных ситуациях. Когда вариабельность специфична для гена, эмпирические байесовские оценки обеспечивают оптимальный компромисс между крайними подходами: предположением об общей дисперсии и оцениванием отдельной дисперсии для каждого гена. Разработанные методы также могут применяться к данным о числе прочтений, полученным в приложениях DNA-Seq, включая ChIP-Seq для эпигенетических меток и анализ метилирования ДНК.
Key Findings
1
Предложена гибкая статистическая платформа для анализа многофакторных данных RNA-Seq с несколькими условиями лечения и блокирующими переменными, учитывающая биологическую вариабельность.
2
Обобщённые линейные модели, реализованные в edgeR, выявляют дифференциальную экспрессию в парных исследованиях карцином, включая специфические для опухолей изменения экспрессии.
3
Геноспецифические дисперсии уменьшают вес генов с непоследовательными результатами между повторами, сосредотачивая анализ на устойчивых изменениях экспрессии.
4
Симуляции показывают, что скорректированные оценки профильного правдоподобия точно оценивают биологическую вариабельность, а эмпирическое байесовское сглаживание уравновешивает общую и полностью геноспецифическую дисперсию.
5
Разработанные методы применимы также к данным DNA-Seq, включая ChIP-Seq и анализ метилирования ДНК.
6
Методика разделяет биологическую и техническую вариабельность секвенирования и оценивает геноспецифическую вариабельность с помощью эмпирических байесовских методов даже при небольшом числе биологических повторов.
Research Object
Данные счёта чтений (read counts) из многофакторных экспериментов RNA-Seq по экспрессии генов (включая анализ в парном дизайне на данных карциномы)
Research Subject
геноспецифическая биологическая вариабельность и дифференциальная экспрессия генов в сложных экспериментальных планах, включая парные сравнения и опухолеспецифические изменения
Publication Details
Publication Date
2012-01-28
Journal
Publisher
ISSN
Cited by
5140
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
edgeR: пакет Bioconductor для анализа дифференциальной экспрессии данных цифровой экспрессии генов2009
Bioconductor: открытая разработка программного обеспечения для вычислительной биологии и биоинформатики2004
Метод масштабной нормализации для анализа дифференциальной экспрессии данных RNA-seq2010
Анализ онтологии генов для RNA-seq: учет смещения отбора2010
RNA-seq: оценка технической воспроизводимости и сравнение с матрицами экспрессии генов2008
От считываний RNA-seq к результатам дифференциальной экспрессии2010
Работы, цитирующие эту статью7
Умеренная оценка изменения кратности и дисперсии для данных RNA-seq с помощью DESeq22014
featureCounts: эффективная универсальная программа для отнесения прочтений последовательностей к геномным признакам2013
voom: Точностные веса открывают доступ к инструментам анализа на основе линейных моделей для счётных данных RNA-seq2014
Нормализация и стабилизация дисперсии данных одноклеточного RNA-секвенирования с использованием регуляризованной отрицательно-биномиальной регрессии2019
Пространственная мультиомная карта инфаркта миокарда человека2022
Атлас корня Arabidopsis на уровне отдельных клеток выявляет траектории развития у растений дикого типа и мутантов с нарушениями клеточной идентичности2022
Устранение взаимодействий между праймерами повышает эффективность секвенирования генома SARS-CoV-2 методом мультиплексной тайлинговой ПЦР2020