داده های Omics و تجزیه و تحلیل ابعادی بالا

سود:

• توانایی درک مسئله مقایسه چندگانه و گنجاندن تصحیح FDR (نرخ کشف نادرست) در تجزیه و تحلیل
• توانایی تشخیص اهمیت آماری و بیولوژیکی با ارزیابی p-value و اندازه اثر (تغییر برابر log2) با هم
• توانایی تشخیص و اجتناب از تله های داده با ابعاد بالا مانند اثر دسته ای و پرش علیت

کلمه "omics" رویکردهایی را توصیف می کند که یک کلاس کامل از مولکول ها را در یک سلول اندازه گیری می کند: ژنومیک (همه DNA)، ترانسکریپتومیکس (تمام بیان RNA / ژن)، پروتئومیکس (همه پروتئین ها)، متابولومیک (همه مولکول های کوچک). ویژگی مشترک این اندازه‌گیری‌ها ابعاد بالای آنهاست: هزاران یا حتی ده‌ها هزار متغیر (ژن‌ها، پروتئین‌ها) به طور همزمان در یک نمونه اندازه‌گیری می‌شوند، اما تعداد نمونه‌ها معمولاً کم است (مثلاً 20 بیمار). این وضعیت «متغیرهای زیاد، نمونه‌های کم» منشأ چالش‌های منحصر به فرد زیست‌شناسی و حوزه‌هایی است که هوش مصنوعی می‌تواند مفیدترین باشد.

در این بخش، تجزیه و تحلیل بیان دیفرانسیل (یافتن ژن هایی که بیان آنها به طور قابل توجهی بین دو گروه تغییر می کند) و نقش هوش مصنوعی در این گردش کار را از طریق مثال رونویسی (RNA-seq) مورد بحث قرار خواهیم داد.

مشکل اصلی داده های با ابعاد بالا

اگر هزاران ژن را همزمان آزمایش کنید، ژن هایی را خواهید یافت که به طور تصادفی "مهم" به نظر می رسند، حتی اگر تفاوت های واقعی وجود نداشته باشد. اگر 20000 ژن را با حاشیه خطای 5٪ آزمایش کنید، ممکن است 1000 ژن به طور تصادفی "مهم" باشند. این مشکل مقایسه چندگانه نامیده می شود و بحرانی ترین دام تحلیل omics است. راه حل اصلاح مقادیر p است (به عنوان مثال محاسبه FDR - نرخ کشف نادرست با روش بنجامینی-هوچبرگ). هوش مصنوعی در توضیح این مفهوم و نوشتن کد مناسب بسیار مفید است. اما این مسئولیت شماست که به یاد داشته باشید که اصلاح را اعمال کنید.

نکته: اگر عددی مانند "3000 ژن به طور قابل توجهی تغییر کرده است" را در نتیجه omics مشاهده کردید، نگران باشید. این معمولاً نشانه آن است که اصلاح مقایسه چندگانه انجام نشده است. یک لیست واقع بینانه ده ها تا چند صد ژن در یک آزمایش خوب طراحی شده است.

بیان دیفرانسیل RNA-seq: گام به گام

1. شمارش خام: جدول حاوی تعداد دفعات خواندن در هر نمونه برای هر ژن.
2. کیفیت و فیلتر کردن: ژن های با بیان بسیار کم را دور بریزید.
3. عادی سازی: تفاوت اندازه کتابخانه صحیح بین نمونه ها (تعداد بی رحم قابل مقایسه نیست).
4. مدل آماری: تفاوت گروه آزمایش با DESeq2 یا edgeR (کتابخانه‌های R) یا pyDESeq2 در پایتون.
5. اصلاح مقایسه چندگانه: محاسبه FDR. معمولاً آستانه FDR < 0.05 است.
6. اندازه اثر: با تغییر برابر log2 ارزیابی کنید: چند برابر افزایش/کاهش عبارت.
7. نظر: ژن های مهم را با مسیرهای بیولوژیکی مرتبط کنید.

هوش مصنوعی 3-6. مراحل را کدگذاری می کند، مفاهیم را توضیح می دهد و به شما در تفسیر خروجی کمک می کند. با این حال، مدل نمی‌تواند بدون مشاهده داده‌های خام شما بگوید "کدام ژن تغییر کرده است". کد و آمار این را به شما می گوید.

الگوهای درخواستی قابل کپی

نقش: شما دستیار تحلیل رونویسی هستید. زمینه: من یک جدول شمارش خام RNA-seq (CSV) از 12 نمونه شاهد، 12 نمونه درمان دارم. وظیفه: مراحل تجزیه و تحلیل بیان دیفرانسیل را با pyDESeq2 فهرست کنید، توضیح دهید که چرا هر مرحله لازم است. اول برنامه ریزی، دوم کد. حتماً تصحیح مقایسه چندگانه را نیز لحاظ کنید.

خروجی تجزیه و تحلیل من 4200 ژن را به عنوان "p<0.05" نشان داد. چرا این ممکن است مشکوک باشد؟ تصحیح مقایسه چندگانه (Benjamini-Hochberg FDR) را توضیح دهید و کد پایتون را که فیلتر صحیح را انجام می دهد ارائه دهید.

کدی بنویسید که یک نمودار آتشفشانی را از جدول نتایج بیان دیفرانسیل من ترسیم کند (ژن، log2FC، ستون‌های padj). ژن ها را با FDR<0.05 و |log2FC|>1 رنگ آمیزی کنید، 10 مورد بالا را برچسب بزنید.

چگونه می توانم این لیست ژنی مهم را برای غنی سازی مسیر تجزیه و تحلیل کنم؟ مراحل gseapy یا g:Profiler را توضیح دهید. در کامنت ادعای علیت مطلق نکنید، از زبان همبستگی استفاده کنید. فهرست ژن: [فهرست]

اعلان ضعیف / اعلان قوی

ضعیف: "به من بگویید کدام ژن در بازده RNA-seq مهم است."

قوی: "من خروجی pyDESeq2 از 12 شاهد، 12 نمونه درمان دارم: جدول با ژن، log2FoldChange، ستون‌های padj. کدی را ارائه دهید که ژن‌های مهم با آستانه‌های FDR<0.05 و |log2FC|>1 را فیلتر می‌کند، اعداد آنها را گزارش می‌کند، و توضیح می‌دهد که چرا این جنس‌ها بر اساس قوی‌ترین اندازه‌ها 20 هستند."

تفاوت: اعلان قدرتمند دارای ستون های خروجی واقعی، آستانه ها و درخواست اعتبار سنجی است. مدل داده های شما را به جای تولید یک نام ژن ساخته شده پردازش می کند.

سه کیف کوچک

مورد 1 - فاجعه بدون اصلاح: گروهی 3800 ژن "مهم" با p<0.05 بدون اصلاح پیدا کردند و آن را به یک نشریه ارسال کردند. وقتی داور درخواست اصلاح FDR کرد، لیست به 47 ژن کاهش یافت. اگر هوش مصنوعی از ابتدا کد بنجامینی-هخبرگ را اضافه می کرد، این خجالت رخ نمی داد. درس: اصلاح غیر قابل مذاکره است.

مورد 2 - اثر دسته ای: در یک مطالعه، نمونه ها در دو روز مختلف پردازش شدند. آنچه آنها فکر می کردند تفاوت "بیمار در مقابل کنترل" بود در واقع یک تفاوت "روز اول در مقابل روز دوم" بود (اثر دسته ای: تفاوت فنی ناشی از طرف نمونه). هوش مصنوعی با پیشنهاد اضافه کردن متغیر دسته ای به مدل (~ دسته + شرط در فرمول مدل) به حذف سیگنال جعلی کمک کرد.

مورد 3 - نادیده گرفتن تغییر چین: دانش‌آموزی ژنی را «مهم‌ترین» اعلام کرد که بیان آن 2 درصد تغییر کرد اما بسیار پایدار بود، فقط با مشاهده مقدار p. در حالی که اندازه اثر (log2FC) تقریباً صفر بود. اهمیت آماری اهمیت بیولوژیکی نیست. مدل این تمایز را توضیح داد و پیشنهاد کرد آن را با نمودار آتشفشان تجسم کند.

جدول مقایسه: وضوح مفهوم

مفهوم

معنی

چرا مهم است؟

مقدار p

احتمال تصادفی بودن تفاوت

به تنهایی می تواند گمراه کننده باشد

FDR (padj)

میزان خطای اصلاح شده در تست های متعدد

موارد مثبت کاذب را محدود می کند

تغییر تا log2

اندازه اثر

اهمیت بیولوژیکی را نشان می دهد

اثر دسته ای

تفاوت دسته فنی

سیگنال جعلی ایجاد می کند

عادی سازی

تصحیح مقیاس بین نمونه ای

مقایسه را منصفانه می کند

اشتباهات رایج

• نادیده گرفتن تصحیح مقایسه چندگانه: رایج ترین و جدی ترین اشتباه.
• فقط به p-value نگاه کنید: حتماً اندازه افکت (log2FC) را با هم در نظر بگیرید.
• عدم درج اثر دسته ای در مدل: اشتباه گرفتن تفاوت فنی با تفاوت بیولوژیکی.
• فراموش کردن عادی سازی: مقایسه مستقیم اعداد خام.
• زبان علّی: گفتن "این ژن باعث بیماری می شود". داده های Omics همبستگی را نشان می دهد، علیت نیاز به آزمایش اضافی دارد.

احتیاط: در داده‌های با ابعاد بالا، «از لحاظ آماری معنادار» و «از لحاظ بیولوژیکی معنادار» دو چیز متفاوت هستند. لیست ژن های تولید شده توسط هوش مصنوعی یک فرضیه اولیه است. هر ژن کاندید نباید بدون تایید با روش مستقل (qPCR، اندازه گیری پروتئین) قطعی در نظر گرفته شود.

کاهش سایز و کنترل کیفیت

اولین کاری که باید در داده های با ابعاد بالا انجام داد، دیدن ساختار کلی نمونه ها است. PCA (تحلیل مؤلفه اصلی: کاهش هزاران متغیر به چند محور خلاصه و نمایش آنها در 2 بعد) ابزار استاندارد برای این کار است. اگر گروه هایی که انتظار دارید (کنترل/درمان) در نمودار PCA از هم جدا شده باشند، خوب است. اما اگر نمونه‌ها به‌جای گروه‌بندی «روز پردازش» خوشه‌بندی شوند، این یک هشدار اثر دسته‌ای است. همین نمودار همچنین بلافاصله یک مثال پرت (شکست خورده) را نشان می دهد.

PCA را از جدول بیان نرمال شده من (ژن ردیف، نمونه ستون) بکشید. رنگ نمونه ها بر اساس گروه (کنترل/درمان)، شکل بر اساس دسته پردازش. در مورد اینکه آیا یک اثر دسته ای یا الگوی پرت در نمودار دیده می شود نظر دهید.

این مرحله اکتشافی بقیه تجزیه و تحلیل را هدایت می کند: بهتر است زودتر یک نتیجه دور از ذهن را دریافت کنید تا اینکه ماه ها را برای یک نتیجه جعلی تلف کنید.

داده های تک سلولی: یک بعد جدید

در سال های اخیر، توالی یابی RNA تک سلولی (تک سلولی RNA-seq: اندازه گیری نمایه بیان هزاران سلول منفرد) گسترده شده است. در اینجا داده ها حتی بزرگتر می شوند: ده ها هزار سلول، هر کدام هزاران ژن. ابزارهایی مانند Scanpy (Python) این داده ها را پردازش می کنند. سلول ها را خوشه می کند و انواع سلول ها را شناسایی می کند. هوش مصنوعی کد این گردش کار را می‌نویسد، اما نام‌گذاری بیولوژیکی انواع سلول (خواه یک خوشه یک "سلول T" باشد یا یک "ماکروفاژ") به ژن‌های نشانگر و دانش تخصصی متکی است. حتماً برچسب نوع سلولی را که مدل به خوشه ای با نشانگرهای شناخته شده اختصاص می دهد، تأیید کنید. این رایج‌ترین مرحله در تجزیه و تحلیل تک سلولی است که اشتباه گرفته می‌شود.

داده های باز و تکرارپذیری

اکثر مطالعات omics داده های خود را در مخازن عمومی آپلود می کنند: GEO (Gene Expression Omnibus) و ArrayExpress برای بیان ژن، SRA (Sequence Read Archive) برای توالی های خام، PRIDE برای پروتئومیکس. این بسیار مهم است تا دیگران بتوانند نتایج شما را تأیید کنند و شما بتوانید داده‌های سایر مطالعات را مجدداً تجزیه و تحلیل کنید. هوش مصنوعی می تواند کد بنویسد (با ابزارهایی مانند GEOparse) که داده ها را از یک شماره ثبت GEO (به عنوان مثال شماره GSE) بارگیری و سازماندهی می کند. اما مطمئن شوید که طراحی داده‌هایی را که دانلود کرده‌اید (چند گروه، چند تکرار، کدام فرآیند) از رکورد اصلی بخوانید و تأیید کنید. اگر مدل ادعا می کند که طراحی یک مطالعه را «به خاطر می آورد»، این تقریباً همیشه یک حدس است که باید تأیید شود.

به طور خلاصه

داده های Omics هزاران متغیر را در حجم نمونه کوچک اندازه گیری می کند. این تله های مقایسه های متعدد، اثرات دسته ای و تفسیر بیش از حد را ایجاد می کند. هوش مصنوعی؛ کد را برای تجزیه و تحلیل عبارت دیفرانسیل می نویسد، مفاهیم را توضیح می دهد و به شما در تفسیر نتایج کمک می کند. با این حال، اعمال تصحیح FDR، ارزیابی اندازه اثر و اجتناب از زبان علیت بر عهده شماست. ژن های کاندید تا زمانی که با روش مستقل تایید نشده اند، فرضیه هستند.

وظیفه کاربردی

یک نمونه جدول نتایج بیان دیفرانسیل را دریافت یا ایجاد کنید (gen، log2FC، padj). کد نوشتن هوش مصنوعی را داشته باشید که با FDR<0.05 و |log2FC|>1 فیلتر می‌شود، تعداد ژن‌های مهم را گزارش می‌کند و نمودار آتشفشان را ترسیم می‌کند. کد را اجرا کنید. سپس از مدل بخواهید محاسبه کند که اگر اصلاح انجام نشده باشد، چند ژن «مهم» به نظر می‌رسند و تفاوت را تفسیر کند.

چک لیست

• [ ] من اصلاح مقایسه چندگانه (FDR) را اعمال کردم.
• من اندازه اثر (log2FC) و همچنین p-value [ ] را ارزیابی کردم.
• [ ] من متغیرهای دسته ای/فنی را بررسی کردم.
• [ ] من از مرحله عادی سازی رد نشدم.
• [ ] من از زبان همبستگی به جای علیت استفاده کردم.
• [ ] من ژن های کاندید را به عنوان فرضیه هایی که نیاز به تایید دارند علامت گذاری کردم.