Печалби:
- Способност за разбиране на проблема с множество сравнения и включване на корекция на FDR (коефициент на фалшиво откриване) в анализа
- Способност за разграничаване на статистическа и биологична значимост чрез оценка на p-стойността и размера на ефекта (log2 пъти промяна) заедно
- Способност за разпознаване и избягване на прихващания на данни с големи размери, като партиден ефект и скок на причинно-следствената връзка
Думата „омика“ описва подходи, които измерват цял клас молекули в клетка: геномика (всички ДНК), транскриптомика (всички РНК/генни експресии), протеомика (всички протеини), метаболомика (всички малки молекули). Общата характеристика на тези измервания е тяхната висока размерност: хиляди или дори десетки хиляди променливи (гени, протеини) се измерват едновременно в една проба, но броят на пробите обикновено е малък (напр. 20 пациенти). Тази ситуация на „много променливи, малко проби“ е източникът на предизвикателства, уникални за биологията и областите, в които ИИ може да бъде най-полезен.
В тази част ще обсъдим диференциалния анализ на експресията (откриване на гени, чиято експресия се променя значително между две групи) и ролята на изкуствения интелект в този работен процес чрез примера на транскриптомиката (RNA-seq).
Основният проблем на данните с висока размерност
Ако тествате хиляди гени наведнъж, случайно ще откриете гени, които изглеждат „значими“, дори и да няма реални разлики. Ако тествате 20 000 гена с 5% граница на грешка, ~1000 гена може случайно да се окажат „значими“. Това се нарича проблем с множество сравнения и е най-критичният капан на omics анализа. Решението е да се коригират p-стойностите (напр. да се изчисли FDR — процент на фалшиви открития с метода на Benjamini-Hochberg). AI е много полезен при обясняването на тази концепция и писането на правилния код; но е ваша отговорност да не забравяте да приложите корекцията.
Съвет: Ако видите число като „3000 гена са значително променени“ в резултат от omics, бъдете разтревожени. Това обикновено е знак, че не е направена корекция на множество сравнения. Реалистичен списък би бил от десетки до няколкостотин гени в добре проектиран експеримент.
RNA-seq диференциална експресия: стъпка по стъпка
- Суров брой: Таблица, съдържаща колко прочитания са паднали във всяка проба за всеки ген.
- Качество и филтриране: Изхвърлете гени с много ниска експресия.
- Нормализация: Правилна разлика в размера на библиотеката между пробите (грубото число не може да се сравни).
- Статистически модел: Тествайте груповата разлика с DESeq2 или edgeR (R библиотеки) или pyDESeq2 в Python.
- Корекция на множество сравнения: Изчислете FDR; обикновено праг на FDR < 0,05.
- Размер на ефекта: Оценете с log2 fold change: колко пъти изразът се увеличава/намалява.
- Коментар: Свържете значими гени с биологични пътища.
Изкуствен интелект 3-6. Той кодира стъпките, обяснява концепциите и ви помага да интерпретирате изхода. Моделът обаче не може да каже „кой ген се е променил“, без да види необработените ви данни; Кодът и статистиката ви казват това.
Копируеми шаблони за подкана
Роля: Вие сте асистентът за транскриптомичен анализ. Контекст: Имам RNA-seq необработена таблица за преброяване (CSV) от 12 контролни, 12 проби за лечение. Задача: Избройте стъпките на диференциалния анализ на израза с pyDESeq2, обяснете защо всяка стъпка е необходима. Първо планирайте, второ кодирайте. Не забравяйте да включите корекция на множество сравнения.
Резултатът от анализа ми показа 4200 гена като "p<0,05". Защо това може да е подозрително? Обяснете корекцията на множество сравнения (Benjamini-Hochberg FDR) и дайте код на Python, който прави правилното филтриране.
Напишете код, който чертае диаграма на вулкан от моята таблица с резултати от диференциални изрази (колони gene, log2FC, padj). Оцветете гените с FDR<0.05 и |log2FC|>1, маркирайте първите 10.
Как да анализирам този значителен генен списък за обогатяване на пътя? Обяснете стъпките на gseapy или g:Profiler. Не претендирайте за абсолютна причинно-следствена връзка в коментара, използвайте корелационен език. Списък с гени: [списък]
Слаба подкана / Силна подкана
Слаб: "Кажете ми кои гени са важни за добива на RNA-seq."
Силен: „Имам pyDESeq2 изход от 12 контролни, 12 проби за лечение: таблица с ген, log2FoldChange, padj колони. Дайте код, който филтрира значими гени с прагове от FDR<0,05 и |log2FC|>1, отчита техния брой и класира 20-те най-силни гена по размер на ефекта. След това обяснете защо тези прагове са разумни.“
Разлика: Мощната подкана има действителни изходни колони, прагове и заявка за валидиране. Моделът обработва вашите данни, вместо да генерира измислено име на ген.
три мини калъфа
Случай 1 — Катастрофа без корекция: Група откри 3800 „значими“ гени с p<0,05 без корекция и ги изпрати на публикация. Когато реферът поиска корекция на FDR, списъкът спадна до 47 гена. Ако изкуственият интелект беше добавил кода на Benjamini-Hochberg от самото начало, този срам нямаше да се случи. Урок: корекцията не подлежи на обсъждане.
Случай 2 — Ефект на партида: В едно проучване пробите са обработени в два различни дни. Това, което смятаха, че е разликата „пациент срещу контрола“, всъщност беше разлика „1-ви ден срещу 2-ри ден“ (партиден ефект: техническа разлика, дължаща се на групата за вземане на проби). AI помогна за отстраняването на фалшивия сигнал, като предложи добавяне на партидната променлива към модела (~ партида + условие във формулата на модела).
Случай 3 — Пренебрегване на промяната на гънката: Студент обяви за „най-важен“ ген, чиято експресия се промени с 2%, но беше измерена като много стабилна, само като се погледне p-стойността. Като има предвид, че размерът на ефекта (log2FC) е почти нула; статистическата значимост не е биологична значимост. Моделът обясни това разграничение и предложи визуализирането му с графика на вулкан.
Сравнителна таблица: яснота на концепцията
концепция
Значение
Защо е важно?
p-стойност
Вероятността разликата да е съвпадение
само по себе си може да бъде подвеждащо
FDR (падж)
Коригиран процент грешки при множество тестове
Ограничава фалшивите положителни резултати
log2 fold промяна
Размер на ефекта
Показва биологично значение
партиден ефект
Разлика в техническата партида
Създава фалшив сигнал
нормализация
Корекция на скалата между извадките
Прави сравнението справедливо
Често срещани грешки
- Пропускане на корекция на множество сравнения: Най-честата и най-сериозна грешка.
- Само гледайки p-стойността: Не забравяйте да вземете предвид размера на ефекта (log2FC) заедно.
- Невключване на партидния ефект в модела: Грешка за техническа разлика с биологична разлика.
- Забравяне на нормализацията: Сравняване на сурови числа директно.
- Език на причинно-следствената връзка: казвайки "Този ген причинява болест"; Данните от Omics показват корелация, причинно-следствената връзка изисква допълнително експериментиране.
Внимание: В данните с голямо измерение „статистически значими“ и „биологично значими“ са две различни неща. Генният списък, произведен от изкуствения интелект, е първоначална хипотеза; Всеки кандидат ген не трябва да се счита за окончателен без проверка чрез независим метод (qPCR, измерване на протеини).
Намаляване на размера и контрол на качеството
Първото нещо, което трябва да направите при високоразмерни данни, е да видите общата структура на извадките. PCA (анализ на основните компоненти: намаляване на хиляди променливи в няколко обобщени оси и показването им в 2 измерения) е стандартният инструмент за това. Ако групите, които очаквате (контрол/лечение), са разделени в PCA диаграмата, това е добре; но ако пробите са групирани по „обработен ден“, а не по група, това е предупреждение за партиден ефект. Същата диаграма също незабавно показва единичен пример за отклонение (неуспешен).
Начертайте PCA от моята таблица с нормализирана експресия (ред ген, колона проба). Цветни проби по група (контрола/третиране), форма по партида за обработка. Коментирайте дали на графиката се вижда ефект на партида или модел на отклонение.
Тази евристична стъпка ръководи останалата част от анализа: по-добре е да се хване отклонение рано, отколкото да се губят месеци за фалшив резултат.
Данни от една клетка: ново измерение
През последните години едноклетъчното РНК секвениране (single-cell RNA-seq: измерване на профила на експресия на хиляди отделни клетки) стана широко разпространено. Тук данните стават още по-големи: десетки хиляди клетки, хиляди гени всяка. Инструменти като Scanpy (Python) обработват тези данни; клъстери клетки и идентифицира клетъчни типове. AI пише кода за този работен процес, но биологичната номенклатура на клетъчните типове (независимо дали клъстерът е „Т клетка“ или „макрофаг“) разчита на маркерни гени и експертни познания. Не забравяйте да потвърдите етикета на типа клетка, който моделът присвоява на клъстер с известни маркери; Това е най-често погрешно разбираната стъпка в анализа на една клетка.
Отворени данни и възпроизводимост
Повечето проучвания на omics качват данните си в публични хранилища: GEO (Gene Expression Omnibus) и ArrayExpress за генна експресия, SRA (Sequence Read Archive) за необработени последователности, PRIDE за протеомика. Това е от решаващо значение, за да могат другите да проверят вашите резултати и за да можете да анализирате отново данните от други проучвания. AI може да пише код (с инструменти като GEOparse), който изтегля и организира данни от GEO регистрационен номер (напр. GSE номер); Но не забравяйте да прочетете и потвърдите дизайна на данните, които сте изтеглили (колко групи, колко повторения, кой процес) от оригиналния запис. Ако моделът твърди, че „помни“ дизайна на изследване, това почти винаги е предположение, което трябва да бъде проверено.
В обобщение
Данните на Omics измерват хиляди променливи в малък размер на извадката; Това създава капани на множество сравнения, групови ефекти и свръхинтерпретация. Изкуствен интелект; Той пише кода за диференциален анализ на изрази, обяснява понятията и ви помага да интерпретирате резултатите. Ваша отговорност обаче е да приложите корекцията на FDR, да оцените размера на ефекта и да избегнете езика на причинно-следствената връзка. Кандидат-гените са хипотези, докато не бъдат проверени чрез независим метод.
Задача за приложение
Вземете или създайте примерна таблица с резултати от диференциални изрази (gen, log2FC, padj). Накарайте AI да напише код, който филтрира по FDR<0,05 и |log2FC|>1, отчита броя на значимите гени и чертае графика на вулкана. Стартирайте кода. След това накарайте модела да изчисли колко гена биха изглеждали „значими“, ако корекцията не беше направена, и интерпретирайте разликата.
контролен списък
- [ ] Приложих корекция на множество сравнения (FDR).
- Оцених размера на ефекта (log2FC), както и [ ] p-стойността.
- [ ] Проверих партидните/техническите променливи.
- [ ] Не съм пропуснал стъпката за нормализиране.
- [ ] Използвах езика на корелацията, а не на причинно-следствената връзка.
- [ ] Маркирах кандидат гени като хипотези, които трябва да бъдат потвърдени.