የኦሚክስ መረጃ ትንተና፡ አር ኤን ኤ-ሴክ፣ አገላለጽ፣ ስታቲስቲክስ እና የመንገድ ማበልጸጊያ

ትርፍ፡

• አር ኤን ኤ ሴክ የስራ ፍሰት፣ ልዩነት መግለጫ ትንተና እና በርካታ የፍተሻ እርማት (FDR) የመረዳት ችሎታ እና አርቴፊሻል ኢንተለጀንስ የተረጋገጠ የትንታኔ ኮድ ያወጣል።
• የመንገድ ማበልፀጊያ ውጤቶችን በስታቲስቲክስ እና በባዮሎጂያዊ የመተርጎም ችሎታ
• እስታቲስቲካዊ ግምቶችን እና በርካታ የፈተና ወጥመዶችን የመፈተሽ እና ባዮሎጂያዊ ጠቀሜታን በተናጥል የማረጋገጥ ተግሣጽ የመጠቀም ችሎታ።

"Omics" የሕዋስ ወይም የሕብረ ሕዋሳትን ሞለኪውሎች አንድ ላይ የሚለኩ የአቀራረብ ስም ነው፡ ጂኖሚክስ (ሁሉም ዲ ኤን ኤ)፣ ትራንስክሪፕቶሚክስ (ሁሉም አር ኤን ኤ/መግለጫ)፣ ፕሮቲዮሚክስ (ሁሉም ፕሮቲኖች)፣ ሜታቦሎሚክስ (ሁሉም ሜታቦላይቶች)። ይህ መረጃ በጣም ትልቅ ነው - የ RNA-seq ሙከራ በአስር ሺዎች የሚቆጠሩ ጂኖችን ያካትታል። በዚህ ክፍል ውስጥ፣ ኮድ የሚጽፍ፣ ስታቲስቲክስን የሚመርጥ እና የባዮሎጂካል ትርጓሜን የሚረቀቅ አርቴፊሻል ኢንተለጀንስ (AI) በኦሚክስ ትንታኔ ረዳትነት እንዴት መጠቀም እንደሚቻል ይማራሉ። ግን ለምን ስታቲስቲካዊ እና ባዮሎጂካል ውጤቱን ማረጋገጥ እንዳለብዎት ይማራሉ.

ወሳኝ ማስጠንቀቂያ፡ በኦሚክስ ውስጥ በጣም አደገኛ የሆኑት ስህተቶች ስታቲስቲካዊ እና የማይታዩ ናቸው። AI በርካታ የንፅፅር እርማትን (ከታች) የሚያልፍ፣ የተሳሳተ ፈተናን የሚመርጥ ወይም “የውሸት አወንታዊ” የጂን ዝርዝሮችን የሚያወጣ ኮድ መጻፍ ይችላል። በተጨማሪም፣ AI ምንም ምንጭ ሳይኖር እንደ “ይህ ጂን በዚያ በሽታ ውስጥ ይጨምራል” ያሉ ባዮሎጂያዊ የይገባኛል ጥያቄዎችን ማቅረብ ይችላል። ትክክለኛው መንገድ: ትንታኔውን በተፈፃሚ, ኦዲት ሊደረግ በሚችል ኮድ ማድረግ እና በሥነ-ጽሑፍ ውስጥ እያንዳንዱን ባዮሎጂያዊ የይገባኛል ጥያቄ ማረጋገጥ.

መሰረታዊ ጽንሰ-ሐሳቦች

• መግለጫ: ጂን ምን ያህል ወደ አር ኤን ኤ ይተረጎማል; የ "እንቅስቃሴ" መለኪያ.
• ልዩነት አገላለጽ (DE): አገላለጻቸው በሁለት ቡድኖች መካከል በከፍተኛ ሁኔታ የሚለዋወጥ ጂኖች (ለምሳሌ, ታካሚ / ጤናማ).
• p-value: ልዩነት በአጋጣሚ የመሆን እድሉ; ትንሽ ከሆነ, ልዩነቱ እንደ "ትልቅ" ይቆጠራል.
• የበርካታ ንጽጽር እርማት፡- በአስር ሺዎች የሚቆጠሩ ጂኖች በተመሳሳይ ጊዜ ሲታዩ፣ በአጋጣሚ “ጉልህ” የሆኑ አንዳንድ ይኖራሉ። ይህንን ለማስተካከል እንደ FDR (የውሸት ግኝት መጠን) / Benjamini-Hochberg የመሳሰሉ ዘዴዎች ጥቅም ላይ ይውላሉ. ይህ እርማት ከተተወ በመቶዎች የሚቆጠሩ የውሸት ግኝቶች ይነሳሉ.
• log2 መታጠፍ ለውጥ (log2FC)፡- የጂን አገላለጽ ሬሾ በሁለት ቡድኖች መካከል ያለው ሎጋሪዝም እስከ መሠረቱ 2; +1 ማለት ሁለት እጥፍ መጨመር ነው, -1 ማለት ሁለት እጥፍ መቀነስ ማለት ነው.
• የመንገድ ማበልጸግ፡- የተቀየሩት ጂኖች የትኛዎቹ ባዮሎጂካል መንገዶች (ለምሳሌ የሕዋስ ክፍፍል፣ በሽታ የመከላከል አቅም) የተሰባሰቡ መሆናቸውን ማግኘት፤ እንደ GO እና KEGG ያሉ የውሂብ ጎታዎች ጥቅም ላይ ይውላሉ.
• ባች ውጤት፡- በተለያዩ ቀናት/መሳሪያዎች ላይ ናሙናዎችን በማዘጋጀት የሚመነጨ ባዮሎጂያዊ ያልሆነ አስመሳይ ልዩነት።

ደረጃ በደረጃ፡ በ AI የተጎላበተ ኦሚክስ ትንታኔ

1. የሙከራ ንድፍ እና ጥያቄን ግልጽ ያድርጉ. ስንት ናሙናዎች ፣ ስንት ቡድኖች ፣ ስንት ድግግሞሽ? የስታቲስቲክስ ኃይል በቂ ነው? ንድፉን ለ AI ያብራሩ.

2. ተገቢውን መሳሪያ/ዘዴ ከ AI ጋር ይምረጡ። ለ RNA-seq እንደ DESeq2/edgeR (ለመቁጠር ውሂብ የተነደፉ የስታቲስቲክስ ፓኬጆች) ያሉ መደበኛ ዘዴዎችን ይምረጡ። አይአይ "ያዘጋጀው" ከሚለው ስታቲስቲክስ ይልቅ የተረጋገጡ ዘዴዎችን ይጠቀሙ።

3. ኮዱን ያሂዱ እና መካከለኛ ውጤቶችን ያረጋግጡ. ያለ መደበኛነት ፣ ባች ውጤት ቁጥጥር ፣ የጥራት ፕላኖች (PCA) ወደ DE ትንታኔ አይሂዱ።

4. ብዙ ንጽጽር እርማትን ያስፈጽም. በጥሬው p-value ሳይሆን በተስተካከለ እሴት (padj/FDR) አጣራ።

5. በሥነ-ጽሑፍ ውስጥ ባዮሎጂያዊ ትርጓሜን ያረጋግጡ. የመንገድ ማበልፀጊያ ውጤትን በ AI መተርጎም፣ ነገር ግን እያንዳንዱን የይገባኛል ጥያቄ ከምንጩ ያረጋግጡ።

ጠቃሚ ምክር፡ በ DE ትንተና በመጀመሪያ የጥራት እና አጠቃላይ ተፅእኖ ግራፎችን ይመልከቱ። ናሙናዎች በባዮሎጂ ቡድን ሳይሆን በተቀነባበሩበት ቀን ከተሰባሰቡ፣ እርስዎ የሚያገኟቸው አብዛኛዎቹ "ጉልህ" ጂኖች ድምር ውጤት እንጂ እውነተኛ ባዮሎጂ አይደሉም።

ሶስት ጥቃቅን ጉዳዮች

ጉዳይ 1 - ያልተስተካከለ p-value. አንድ ተማሪ 20,000 ጂኖችን በአይአይ የተጻፈ ኮድ ፈትኖ "540 ጉልህ የሆኑ ጂኖች" አግኝቷል። ኮዱን ሲመረምር አይአይ ብዙ የንፅፅር እርማትን እንደዘለለ አይቷል። የኤፍዲአር እርማት ሲጨመር ጉልህ የሆኑ ጂኖች ቁጥር ወደ 32 ቀንሷል። እርማት ከሌለ ከ500 በላይ የውሸት ጂኖች በታሪኩ ላይ ይመሰረቱ ነበር።

ጉዳይ 2 - የተሰራ ባዮሎጂያዊ የይገባኛል ጥያቄ. በ DE ዝርዝር ውስጥ ላለ አንድ ጂን አንድ ተመራማሪ AI "ይህ ጂን በዚህ በሽታ ውስጥ ምን ያደርጋል?" ብሎ ጠየቀ; AI አሳማኝ ዘዴን እና ጽሑፉን አብራርቷል. PubMed ላይ ሲፈልግ ያ ዘዴም ሆነ መጣጥፉ አለመኖሩን አየ። የይገባኛል ጥያቄው ከሪፖርቱ ተወግዷል።

ጉዳይ 3 - ማረጋገጫ ተገኝቷል. የፒኤችዲ ተማሪ ናሙናዎቹ በ PCA ሴራ ውስጥ ለሁለት ቀናት እንደተለያዩ ተመልክቷል። በኮዱ ላይ የቡድን ተፅእኖ ተለዋዋጭ እንዲጨምር AI ጠየቀ ፣ እርማት ከተደረገ በኋላ የጂን ዝርዝሩ ሙሉ በሙሉ ተቀይሯል እና ባዮሎጂያዊ ጠቀሜታ አለው. የጥራት ቁጥጥር ገበታ ከሌለ የውሸት ውጤት ሊታተም ይችል ነበር።

ምሳሌ፡ በተስተካከለ p-value ማጣራት።

pandas as pd# አስመጣ ሠንጠረዥ 'de' ከ DE መሣሪያ ውጤት ይሁን (DESeq2/edgeR):# አምዶች: ጂን, log2FC, pvalue, padj (FDR-corrected) de = pd.read_csv ("de_results.csv") ጉልህ = de [(de["padj"] ("de_results.csv") ጉልህ = de [(de["padj")] &FC (0.) & FC0. 1)] ማተም ("ጥሬ p<0.05:", (de["pvalue") <0.05) . ድምር ()) ህትመት ("FDR-የተስተካከለ padj<0.05 & | log2FC|>=1:", ሌንስ (ጉልህ))

በጥሬው እና በተስተካከለው ቁጥር መካከል ያለው ልዩነት ብዙ ንጽጽሮች ለምን ወሳኝ እንደሆኑ ያሳያል።

አራት ሊገለበጡ የሚችሉ አብነቶች

1) የትንታኔ እቅድ እና ዘዴ ምርጫ;

የእርስዎ ሚና፡- የባዮኢንፎርማቲክስ ረዳት። ለሚከተለው የ RNA-seq ሙከራ የትንታኔ እቅድ አዘጋጅ፡[የቡድኖች ብዛት፣ የናሙናዎች/የተባዙ ብዛት፣ጥያቄ]። የትኛውን መደበኛ መሣሪያ (DESeq2/edgeR) መምረጥ አለብኝ እና ለምን ፣ ምን የጥራት ቁጥጥር ደረጃዎች (PCA ፣ batch effect) ያስፈልጋሉ ፣ ብዙ የንፅፅር እርማትን እንዴት ተግባራዊ ማድረግ እችላለሁ? ደረጃ በደረጃ ጻፍ.

2) ኮድ + አስገዳጅ ቼኮች;

የሚከተለውን DE ትንተና የሚያከናውን የሚተገበር ኮድ ይጻፉ፡ [ዝርዝር]። ኮዱ ኖርማልላይዜሽን፣ ፒሲኤ የጥራት ሴራ፣ ባች ውጤት ቁጥጥር እና የኤፍዲአር (ቤንጃሚኒ-ሆችበርግ) እርማትን ማካተት አለበት። በእያንዳንዱ ደረጃ አስተያየት ይስጡ. በጥሬው p-value ሳይሆን በተስተካከለ p-value ያጣሩ።

3) የመንገድ ማበልጸጊያ አስተያየት፡-

ለዚህ ጉልህ የሆኑ ጂኖች ዝርዝር የመንገድ ማበልጸጊያ ውጤቶችን ለመተርጎም ያግዙ፡ [ዝርዝር/ውጤት]። የትኞቹ መንገዶች ታዋቂ እንደሆኑ ግለጽ፣ ነገር ግን እያንዳንዱን ባዮሎጂካዊ የይገባኛል ጥያቄ ለማረጋገጥ ከየትኛው ምንጭ (GO፣ KEGG፣ በአቻ የተገመገመ መጣጥፍ) ንገረኝ። ሜካኒዝም/አንቀጽ ተስማሚ።

4) የስታስቲክስ ኦዲት;

ለስታቲስቲክስ ስህተቶች የሚከተለውን የትንታኔ ኮድ ያረጋግጡ፡ [code]. በተለይ፡ የተሳሳተ የፍተሻ ምርጫ፣ የበርካታ ንፅፅር እርማትን መተው፣ የቡድን ውጤትን ችላ ማለት፣ በቂ ያልሆነ ማባዛት። ያገኙትን እያንዳንዱን ችግር ይዘርዝሩ እና መፍትሄውን ይዘርዝሩ።

ደካማ ጥያቄ / ጠንካራ ጥያቄ

ደካማ፡ "በዚህ የ RNA-seq ውሂብ ውስጥ ጉልህ የሆኑ ጂኖችን ያግኙ።"

ችግር: ዘዴ, የጥራት ቁጥጥር እና በርካታ ንጽጽሮች አልተገለጹም; AI ያለ እርማት ሙሉ የውሸት አዎንታዊ ዝርዝሮችን መስጠት ይችላል።

ጠንካራ፡ "ለዚህ አር ኤን ኤ ሴክ ቆጠራ መረጃን በDESeq2 አመክንዮ የሚያከናውን ኮድ ፃፉ፣የጥራት ቁጥጥር እና የጅምላ ውጤት ቁጥጥርን ከ PCA እና ከFDR እርማት ጋር ያጣሩ። በእያንዳንዱ ደረጃ አስተያየት ይስጡ እና ለምን ይህን ዘዴ እንደመረጡ ያብራሩ።"

ለምን ኃይለኛ ነው: ዘዴው መደበኛ ነው, ጥራት እና እርማት አስገዳጅ ናቸው, ውጤቱም ኦዲት ነው.

ስጋት

ምልክት

ጥንቃቄ

የውሸት አዎንታዊ

በጣም ብዙ “ትርጉም ያላቸው” ጂኖች

FDR/ባለብዙ ንጽጽር እርማት

የጋራ ተጽእኖ

ናሙናዎች በቀን ይሰበሰባሉ

PCA + ባች ተለዋዋጭ

የተሳሳተ ፈተና

ውሂብ ለመቁጠር መደበኛ ሙከራ

እንደ DESeq2/edgeR ያለ ተገቢ ዘዴ

ባዮሎጂን ያቀፈ

ዌልድ አልባ ዘዴ

የስነ-ጽሁፍ ማረጋገጫ

በቂ ያልሆነ ኃይል

1-2 ድግግሞሽ

በንድፍ ውስጥ በቂ ድግግሞሽ

የተለመዱ ስህተቶች

• የብዙ ንጽጽር እርማትን መዝለል። በጣም የተለመደው እና በጣም ጎጂ የሆነ የስታቲስቲክስ ስህተት.
• የጋራ ተጽእኖን ችላ ማለት. የውሸት ባዮሎጂያዊ ልዩነት ይፈጥራል.
• ውሂብን ለመቁጠር የተሳሳተ ሙከራን በመተግበር ላይ። RNA-seq ልዩ ዘዴዎችን ይፈልጋል.
• ባዮሎጂያዊ ጥያቄዎችን ያለ ምንጭ መቀበል። AI ዘዴዎችን እና መጣጥፎችን ሊፈጥር ይችላል።
• በቂ ባልሆነ ድግግሞሽ ማጠቃለል። የስታቲስቲክስ ኃይል ከሌለ ውጤቱ አስተማማኝ አይደለም.

ማስጠንቀቂያ፡- “በስታቲስቲካዊ ጠቀሜታ” ከ “ባዮሎጂያዊ ጠቀሜታ” ጋር አንድ አይነት አይደለም። በጣም ትንሽ ነገር ግን በቴክኒካል ጉልህ የሆነ እጥፋት ለውጥ ከባዮሎጂ አንጻር ሲታይ እዚህ ግባ የማይባል ሊሆን ይችላል። በትልልቅ ናሙናዎች ውስጥ ሁሉም ነገር "አስፈላጊ" ሊሆን ይችላል. Log2FC እና p-valueን አንድ ላይ ይገምግሙ።

ጥልቀት፡ በመንገዶች ማበልፀግ ላይ ዳራ እና ድርብ ቆጠራ ወጥመዶች

የመንገድ ማበልፀጊያ ውጤቶች አብዛኛው ሰዎች በማይገነዘቡት በሁለት የተደበቁ ግምቶች ላይ ይመረኮዛሉ፣ እና AI በጸጥታ ሊያልፍባቸው ይችላል። የመጀመሪያው የበስተጀርባ/የዩኒቨርስ ምርጫ ነው፡ ማበልፀግ የ‹‹የተቀየሩትን ጂኖች›› ስብስብ ‹‹የትኞቹ ጂኖች ይታዩ ነበር›› ከሚለው ስብስብ ጋር ያወዳድራል። ዳራው ከጠቅላላው ጂኖም የተወሰደ ነገር ግን ሙከራዎ የተወሰነ የቲሹ ፓነልን ብቻ የሚለካ ከሆነ ውጤቶቹ በሰው ሰራሽ “የበለፀጉ” ሆነው ይታያሉ። ትክክለኛው ዳራ በሙከራው ውስጥ በትክክል ሊገለጹ/የሚለኩ ጂኖች ናቸው። አንድ ቡድን መላውን ጂኖም በስህተት ዳራ በማድረግ “የበሽታ መከላከያ መንገዶችን በከፍተኛ ደረጃ ማበልጸግ” አግኝቷል። ትንታኔው ከትክክለኛው ዳራ (የተለካ ጂኖች) ጋር ሲደጋገም, ማበልጸግ ጠፋ - ግኝቱ ዘዴው አርቲፊሻል ነበር.

ሁለተኛ, የጂን ስብስብ መጠን እና ድርብ ቆጠራ: በጣም ትልቅ እና አጠቃላይ መንገዶች (ለምሳሌ "ሜታቦሊክ ሂደቶች", በሺዎች የሚቆጠሩ ጂኖች) ማለት ይቻላል በእያንዳንዱ ዝርዝር ውስጥ "ጉልህ" ይታያሉ; ትንሽ ፣ ልዩ መንገዶች የበለጠ መረጃ ሰጭ ናቸው። በተጨማሪም፣ ተመሳሳዩ ዘረ-መል በብዙ መንገዶች ውስጥ ስለሚገኝ፣ ተደራራቢ መንገዶችን እንደ ገለልተኛ ማስረጃ መያዙ አሳሳች ነው። ሦስተኛው ነጥብ: የማበልጸግ አቅጣጫን አያሳይም; አንድ መንገድ ሊበለጽግ ይችላል, ነገር ግን በውስጡ ከሚገኙት ጂኖች ውስጥ ግማሹ ሊጨምር እና ግማሹ ሊቀንስ ይችላል. ይህንን ለማየት የአቅጣጫ መረጃን (ለምሳሌ GSEA) በተናጠል መመርመር ያስፈልጋል።

ወጥመድ

ምልክት

ጥንቃቄ

የተሳሳተ ዳራ

ሁሉም ነገር የበለፀገ ይመስላል

የሚለካውን የጂን ዳራ ያግኙ

በጣም አጠቃላይ መንገድ

"ሜታቦሊዝም" ሁልጊዜ ወደ ላይ ይወጣል

በትናንሽ ፣ ልዩ መንገዶች ላይ ያተኩሩ

ድርብ መቁጠር

ተደራራቢ መንገዶች

እንደ ገለልተኛ ማስረጃ አይውሰዱት

አቅጣጫ ዝለል

ድብልቅ ወደ ላይ መውጣት / መውረድ

ከ GSEA ጋር የአቅጣጫ መቆጣጠሪያ

በማጠቃለያው

• AI በኦሚክስ ትንተና; ዘዴዎችን የሚመርጥ፣ ኮድ የሚጽፍ እና አስተያየቶችን የሚያዘጋጅ ረዳት ነው፤ የስታቲስቲክስ እና የባዮሎጂ ውሳኔዎች ትክክለኛ መሆን አለባቸው.
• መደበኛ, የተረጋገጡ ዘዴዎች (DESeq2 / EdgeR) ጥቅም ላይ መዋል አለባቸው; የጥራት ቁጥጥር እና የጋራ ተፅዕኖ ኦዲት መዝለል የለበትም።
• ባለብዙ ንጽጽር ማስተካከያ (ኤፍዲአር) ግዴታ ነው; ውጤቶቹ ከተስተካከለው እሴት ጋር ተጣርተዋል.
• እያንዳንዱ ባዮሎጂያዊ የይገባኛል ጥያቄ በሥነ-ጽሑፍ ውስጥ መረጋገጥ አለበት; "አስፈላጊ" ከ "አስፈላጊ" መለየት አለበት.

የመተግበሪያ ተግባር

የDE ውጤቶች ሠንጠረዥን (ወይም ክፍት አር ኤን ኤ-ሴክ ዳታሴት) ይውሰዱ። በጥሬ ፒ-እሴት እና የተስተካከሉ padj ጣራዎችን መሰረት በማድረግ ጉልህ የሆኑ የጂን ቆጠራዎችን ከላይ ካለው ቅንጣቢ ጋር ያወዳድሩ። በአንድ ዓረፍተ ነገር ልዩነት ላይ አስተያየት ይስጡ. ከዚያም ባዮሎጂያዊ ትርጉም ከአብነት 3 ጋር ተለይቶ ለቀረበ ጂን ይጠይቁ እና የይገባኛል ጥያቄውን እራስዎ በPubMed ያረጋግጡ።

የማረጋገጫ ዝርዝር

• [] የሙከራ ንድፉን እና ስታቲስቲካዊ ኃይልን ገምግሜያለሁ።
• [] ደረጃውን የጠበቀ ምቹ ዘዴን መርጫለሁ።
• [] PCA እና ባች የውጤት ጥራት ቁጥጥር ሰርቻለሁ።
• [] ብዙ ንጽጽር (ኤፍዲአር) እርማትን ተግባራዊ አድርጌያለሁ።
• [] ውጤቱን በተስተካከለ p-value አጣራሁ።
• [ ] በሥነ ጽሑፍ ውስጥ ባዮሎጂያዊ የይገባኛል ጥያቄዎችን አረጋግጣለሁ።