سود:
- تصحیح تست چندگانه (p-value تصحیح شده) در تجزیه و تحلیل بیان دیفرانسیل و توانایی تفسیر صحیح تغییر تا و جلوگیری از مثبت کاذب
- تشخیص اثر دسته ای و افزودن آن به مدل با PCA و جداسازی نویز فنی از تفاوت بیولوژیکی
- توانایی پیوند هر هویت مسیر به منبع و کنترل آن با سازگاری بیولوژیکی در غنی سازی مسیر و ادغام چند omics
یک سلول یک عدد واحد نیست. این سیستمی است که در آن هزاران ژن، پروتئین و متابولیت به طور همزمان می رقصند. Omics (نام جمعی برای رویکردهایی که یک لایه بیولوژیکی را به عنوان یک کل اندازه گیری می کند) تلاش می کند تا کل این رقص را به تصویر بکشد: ژنومیک (DNA)، رونویسی (RNA - کدام ژن ها و چقدر کار می کنند)، پروتئومیکس (پروتئین ها)، متابولومیک (مولکول های کوچک). هر لایه omics هزاران داده بعدی، پر سر و صدا و پرهزینه تولید می کند. هوش مصنوعی در اسکن این داده های با ابعاد بالا و الگوهای علامت گذاری قدرتمند است. اما شما هستید که تصمیم می گیرید کدام الگو حقیقت بیولوژیکی و کدام نویز فنی است.
در این بخش، ما از طریق رونویسی، رایج ترین تجزیه و تحلیل omics پیش می رویم. این اصول برای لایه های دیگر نیز اعمال می شود. گردش کار معمولی: ماتریس بیان از دادههای خام (ردیفها ژنها، ستونها نمونهها، سلولها سطوح بیان هستند)، نرمالسازی (حذف تفاوتهای فنی)، تجزیه و تحلیل بیان دیفرانسیل (یافتن ژنهایی که به طور قابلتوجهی بین دو شرایط تغییر میکنند)، غنیسازی مسیر (پیدا کردن این که ژنهای تغییر یافته در کدام مسیرهای بیولوژیکی قرار میگیرند) و تفسیر.
بیان دیفرانسیل: تغییر برابر و p-value تصحیح شده است
برای تشخیص اینکه آیا یک ژن "تغییر" کرده است یا خیر، به دو عدد نگاه میشود: تغییر برابری - چند برابر افزایش/کاهش بیان، معمولاً در مقیاس log2 - و مقدار p تنظیمشده (padj - آماری که هنگام انجام آزمایشهای متعدد، موارد مثبت کاذب را کنترل میکند). چرا تعمیر؟ زیرا شما 20000 ژن را همزمان آزمایش می کنید. حتی به طور تصادفی، صدها ژن ممکن است "مهم" باشند. بدون تصحیح آزمایش های متعدد - محدود کردن نرخ کشف نادرست با روش هایی مانند بنجامینی-هوچبرگ - لیست گمراه کننده است. هوش مصنوعی می تواند اسکریپتی را بنویسد که این آمار را محاسبه می کند، اما اگر تصحیح را حذف کند، نتیجه شما از نظر علمی غیرقابل دفاع است.
احتیاط: ممکن است یک هوش مصنوعی بر اساس مقدار p خام بگوید "500 ژن به طور قابل توجهی تغییر کرده اند". با نگاه کردن به مقدار p تصحیح شده، این عدد می تواند به 30 کاهش یابد. همیشه تصحیح چند آزمون را خودتان بررسی کنید. این تفاوت بین پذیرش و رد نشریه است.
اثر دسته ای: موذیانه ترین تله
اثر دسته ای (تفاوت فنی ناشی از پردازش نمونه ها توسط روزها، دستگاه ها یا افراد مختلف) بزرگترین منبع خطا در تحلیل omics است. اگر دو وضعیت شما در دو روز مختلف پردازش شده باشند، "تفاوت بیولوژیکی" که مشاهده می کنید ممکن است در واقع تفاوت روز باشد. ممکن است هوش مصنوعی اضافه کردن متغیر دسته ای را به مدل پیشنهاد دهد (به عنوان مثال ~ دسته + شرایط)، اما مسئولیت شماست که آن را به درستی تنظیم کنید و آن را در طرح آزمایشی قاطی نکنید.
نکته: قبل از شروع تجزیه و تحلیل، نمودار PCA (تحلیل مؤلفه اصلی - روشی که داده های با ابعاد بالا را بر روی چندین محور خلاصه می کند و تجسم می کند) ترسیم کنید. اگر نمونهها بهجای شرایط بیولوژیکی، بر اساس دستهای خوشهبندی شوند، اثر دستهای غالب است و ابتدا باید اصلاح شود.
ادغام چند omics
درک واقعی اغلب از کنار هم قرار دادن لایه ها حاصل می شود: اگر یک ژن سخت تر کار می کند اما پروتئین آن افزایش نمی یابد، تنظیم در سطح ترجمه است. ادغام چند omics - ترکیب لایههای omics مختلف در یک مدل واحد - جایی است که هوش مصنوعی قویتر میشود، اما همچنین جایی که بیشترین گمراهی را به همراه دارد. زیرا مقیاس، نویز و تطابق نمونه لایه ها متفاوت است. هوش مصنوعی یک گردش کار یکپارچه را پیشنهاد می کند، اما شما سازگاری بیولوژیکی نتایج را کنترل می کنید.
سه کیف کوچک
مورد 1 - غنی سازی تسریع شد. 1240 ژن دیفرانسیل در یک پروژه سرطان یافت شد. هوش مصنوعی آنها را برای غنی سازی مسیر، برجسته کردن چرخه سلولی و مسیرهای ترمیم DNA آماده کرد. تیم یک نقشه فرضیه را در 2 ساعت ایجاد کرد. اما آنها هر مسیر را با یک ابزار مستقل (g:Profiler) دوباره آزمایش کردند و دریافتند که یک مسیر توسط هوش مصنوعی ترسیم شده است.
مورد 2 - تله دسته ای. یکی از آزمایشگاهها تفاوت 900 ژنی "قابل توجه" را بین دو گروه درمانی پیدا کرد. هنگامی که آنها PCA را انجام دادند، دیدند که نمونه ها با توالی یابی دسته ای جدا شدند. پس از اصلاح دسته ای، تفاوت واقعی به 60 ژن کاهش یافت. هوش مصنوعی در تحلیل اول ناخواسته متغیر دسته ای را حذف کرده بود.
مورد 3 - نام مسیر ساخته شده. دانش آموزی لیست ژن را به هوش مصنوعی داد و پرسید: "کدام مسیر KEGG؟" هوش مصنوعی یک شناسه مسیر و نامی را ارائه کرد که گویی واقعی است. وقتی دانشجو در KEGG جستجو کرد، دید که آن شناسه وجود ندارد. تأیید از یک نتیجه ساختگی جلوگیری کرد.
چهار قالب قابل کپی
1) طرح کلی گردش کار DESeq2:
نقش شما: زیست شناس محاسباتی یک اسکریپت گام به گام برای تجزیه و تحلیل بیان دیفرانسیل RNA-seq با R/DESeq2 بنویسید: خواندن ماتریس شمارش، فرمول طراحی (~ دسته + شرایط)، عادی سازی، جدول نتیجه. صراحتاً تصحیح تست چندگانه (BH) را اعمال کنید و از ستون padj استفاده کنید. در یک خط نظر توضیح دهید که هر مرحله چه کاری انجام می دهد.
2) کنترل کیفیت / دسته ای:
یک چک لیست RNA-seq QC به من بدهید: کنترل دسته ای با PCA، اندازه کتابخانه، تعداد تشخیص ژن، تشخیص پرت. برای هر معیار، آستانه "آنچه می بینم مرا نگران می کند" را مشخص کنید. توضیح دهید که اگر شرایط دسته ای و بیولوژیکی با هم مخلوط شوند چه کاری باید انجام دهم.
3) تأیید نتیجه غنی سازی:
من به شما یک لیست مسیر غنی شده (تعداد مسیرها، padj، ژن ها) می دهم. هویت هر مسیر (KEGG/GO ID) را کلمه به کلمه بنویسید و آن را درست نکنید. نتایج را با padj < 0.05 فیلتر کنید. مشخص کنید کدام مسیرها از نظر بیولوژیکی از یکدیگر پشتیبانی می کنند، اما هر هویت را به عنوان "باید در پایگاه داده تایید شود" علامت گذاری کنید.
4) بررسی سازگاری چند omics:
ترانسکریپتومیک و پروتئومیک جهت بیان متناقض را برای یک جفت ژن/پروتئین ایجاد می کنند. دلایل ممکن بیولوژیکی (ویرایش پس از ترجمه) و فنی (صدای اندازه گیری، تطبیق نمونه) را برای این موضوع فهرست کنید و به من بگویید چگونه هر کدام را آزمایش کنم.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
مسیرهای مهم این لیست ژنی را نام ببرید.
بدون منبع، بدون آمار، خطر بالای مسیرهای ساخته شده.
اعلان قدرتمند:
نقش شما: زیست شناس محاسباتی در جدول ژن دیفرانسیل پیوست شده (ژن، log2FC، padj) فقط ژن هایی با padj < 0.05 انتخاب کنید. مراحل تجزیه و تحلیل غنی سازی GO را که باید با این ژن ها و ابزاری (g:Profiler) که استفاده خواهم کرد انجام شود، به من بگویید. نام مسیر جعلی است. من ابزار را اجرا میکنم و تجزیه و تحلیل را انجام میدهم، شما فقط روش صحیح و تصحیح چندین آزمایش را توضیح دهید.
تفاوت: فیلتر روشن، تمرکز روش، ممنوعیت ساخت و واگذاری تأیید به کاربر.
مراحل آنالیز omics
گام
هدف
اشتباه رایج
نقش هوش مصنوعی
عادی سازی
حذف تفاوت فنی
انتخاب روش اشتباه
اسکریپت + منطق
PCA/QC
تشخیص دسته ای و پرت
از قدم من بگذر
تصویر + نظر
بیان دیفرانسیل
یافتن ژن های در حال تغییر
ص تصحیح نشده
پیش نویس اسکریپت
غنی سازی
یک مسیر پیدا کنید
مسیر ساخته شده
روش شناسی
ادغام
ادغام لایه ها
خطای مقیاس/تطابق
توصیه گردش کار
اومیکس تک سلولی: مقیاس جدید
در سالهای اخیر، توالییابی تک سلولی - اندازهگیری نمایه بیان هر یک از هزاران سلول به طور جداگانه - omics را به بعد جدیدی برده است. اکنون، به جای «میانگین بیان یک بافت»، میتوانیم هر نوع سلول را در آن بافت به طور جداگانه ببینیم. این قدرت مشکلات جدیدی را به وجود میآورد: دادهها بسیار پراکنده هستند (اکثر ژنها در اکثر سلولها خوانش صفر دارند - حذف شده است)، اندازه دهها هزار سلول در بیست هزار ژن است، و جداسازی انواع سلولها عمدتاً با خوشهبندی انجام میشود. هوش مصنوعی در تولید خوشهبندی و خطوط برچسبگذاری نوع سلول روی دادههای تک سلولی قدرتمند است. اما شما با ژن های نشانگر شناخته شده تأیید می کنید که آیا هر خوشه یک نوع سلول واقعی است یا یک مصنوع فنی (مثلاً سلول های مرده، دو سلول در کنار هم). برچسب نوع سلول پیشنهاد شده توسط هوش مصنوعی را بدون تایید ژن های نشانگر آن خوشه در ادبیات واقعی قبول نکنید.
نکته: در تجزیه و تحلیل تک سلولی، اگر هوش مصنوعی یک برچسب «سلول T» را به یک خوشه پیشنهاد میکند، خودتان بررسی کنید که نشانگرهای سلول T (مانند CD3) واقعاً در آن خوشه بسیار بیان شده است. اگر برچسب توسط نشانه پشتیبانی نشود، یک فرضیه است، نه یک نتیجه.
اشتباهات رایج
- رد شدن از تصحیح تست های متعدد. لیست با مقدار p خام متورم می شود. padj باید استفاده شود.
- اشتباه گرفتن اثر دسته ای با زیست شناسی ابتدا باید با PCA بررسی شود.
- ایجاد تغییر کف تنها معیار. تغییر چین زیاد ممکن است در ژن های کم بیان و نویز گمراه کننده باشد.
- پذیرش مسیر ساخته شده/هویت GO. هر هویتی باید در پایگاه داده تایید شود.
- دست کم گرفتن حجم نمونه قدرت آماری در طراحی 2 در 2 کم است. نتایج باید با احتیاط تفسیر شوند.
به طور خلاصه
تجزیه و تحلیل Omics با دادههای با ابعاد بالا و پر سر و صدا کار میکند و هوش مصنوعی این دادهها را با اسکن کردن، نوشتن اسکریپتها و علامتگذاری الگوها تسریع میکند. اما تصحیح تست چندگانه در بیان تفاضلی، کنترل دسته ای با PCA و تأیید منبع در غنی سازی ضروری هستند. ادغام Multi-omics قدرتمند اما گمراه کننده است. هر نتیجه را با سازگاری بیولوژیکی، با در نظر گرفتن مقیاس و تفاوتهای نویز لایهها بررسی کنید.
وظیفه کاربردی
یک ماتریس شمارش RNA-seq در دسترس عموم پیدا کنید (به عنوان مثال از GEO). از هوش مصنوعی بخواهید یک اسکریپت تجزیه و تحلیل با الگوی "DESeq2 گردش کار" بنویسد و کد را بررسی کند که آیا اصلاح چندگانه آزمایش واقعاً اعمال شده است. سپس از هوش مصنوعی نظر غنیسازی بخواهید و تمام شناسههای مسیری را که یک به یک برمیگرداند در مقابل پایگاه داده KEGG یا GO تأیید کنید. توجه داشته باشید که چه تعداد واقعی هستند.
چک لیست
- [ ] من از padj (تصحیح شده) در تحلیل دیفرانسیل استفاده کردم، نه از p-value خام.
- [ ] من جلوه دسته ای را با PCA بررسی کردم و در صورت لزوم آن را به مدل اضافه کردم.
- [ ] من ژن هایی را با تغییر برابر زیاد اما بیان کم با احتیاط تفسیر کردم.
- [ ] من هر شناسه مسیر/GO را در برابر پایگاه داده واقعی تأیید کردم.
- [ ] من قدرت آماری حجم نمونه را ارزیابی کردم.
- [ ] من تضادهای چند omics را به دلایل بیولوژیکی و فنی تقسیم کردم.