ಲಾಭಗಳು:
- ಡಿಫರೆನ್ಷಿಯಲ್ ಎಕ್ಸ್ಪ್ರೆಶನ್ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಬಹು ಪರೀಕ್ಷೆಯ ತಿದ್ದುಪಡಿ (ಪಿ-ಮೌಲ್ಯವನ್ನು ಸರಿಪಡಿಸಲಾಗಿದೆ) ಮತ್ತು ಪಟ್ಟು ಬದಲಾವಣೆಯನ್ನು ಸರಿಯಾಗಿ ಅರ್ಥೈಸುವ ಮತ್ತು ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ತಪ್ಪಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಬ್ಯಾಚ್ ಪರಿಣಾಮವನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು ಮತ್ತು ಅದನ್ನು PCA ಯೊಂದಿಗೆ ಮಾದರಿಗೆ ಸೇರಿಸುವುದು ಮತ್ತು ಜೈವಿಕ ವ್ಯತ್ಯಾಸದಿಂದ ತಾಂತ್ರಿಕ ಶಬ್ದವನ್ನು ಪ್ರತ್ಯೇಕಿಸುವುದು
- ಪ್ರತಿ ಮಾರ್ಗದ ಗುರುತನ್ನು ಮೂಲಕ್ಕೆ ಲಿಂಕ್ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಪಾಥ್ವೇ ಪುಷ್ಟೀಕರಣ ಮತ್ತು ಬಹು-ಓಮಿಕ್ಸ್ ಏಕೀಕರಣದಲ್ಲಿ ಜೈವಿಕ ಸ್ಥಿರತೆಯೊಂದಿಗೆ ಅದನ್ನು ನಿಯಂತ್ರಿಸುವ ಸಾಮರ್ಥ್ಯ
ಕೋಶವು ಒಂದೇ ಸಂಖ್ಯೆಯಲ್ಲ; ಇದು ಸಾವಿರಾರು ಜೀನ್ಗಳು, ಪ್ರೋಟೀನ್ಗಳು ಮತ್ತು ಮೆಟಾಬಾಲೈಟ್ಗಳು ಏಕಕಾಲದಲ್ಲಿ ನೃತ್ಯ ಮಾಡುವ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ. ಒಮಿಕ್ಸ್ (ಒಟ್ಟಾರೆಯಾಗಿ ಜೈವಿಕ ಪದರವನ್ನು ಅಳೆಯುವ ವಿಧಾನಗಳ ಸಾಮೂಹಿಕ ಹೆಸರು) ಈ ಸಂಪೂರ್ಣ ನೃತ್ಯವನ್ನು ಸೆರೆಹಿಡಿಯಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ: ಜೀನೋಮಿಕ್ಸ್ (ಡಿಎನ್ಎ), ಟ್ರಾನ್ಸ್ಕ್ರಿಪ್ಟೊಮಿಕ್ಸ್ (ಆರ್ಎನ್ಎ - ಯಾವ ಜೀನ್ಗಳು ಕೆಲಸ ಮಾಡುತ್ತವೆ ಮತ್ತು ಎಷ್ಟು), ಪ್ರೋಟಿಯೊಮಿಕ್ಸ್ (ಪ್ರೋಟೀನ್ಗಳು), ಮೆಟಾಬೊಲೊಮಿಕ್ಸ್ (ಸಣ್ಣ ಅಣುಗಳು). ಪ್ರತಿ ಓಮಿಕ್ಸ್ ಪದರವು ಸಾವಿರಾರು ಆಯಾಮದ, ಗದ್ದಲದ ಮತ್ತು ದುಬಾರಿ ಡೇಟಾವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಈ ಹೆಚ್ಚಿನ ಆಯಾಮದ ಡೇಟಾವನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುವಲ್ಲಿ ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುವಲ್ಲಿ AI ಶಕ್ತಿಯುತವಾಗಿದೆ; ಆದರೆ ಯಾವ ಮಾದರಿ ಜೈವಿಕ ಸತ್ಯ ಮತ್ತು ಯಾವುದು ತಾಂತ್ರಿಕ ಶಬ್ದ ಎಂದು ನಿರ್ಧರಿಸುವವರು ನೀವೇ.
ಈ ಘಟಕದಲ್ಲಿ, ನಾವು ಟ್ರಾನ್ಸ್ಕ್ರಿಪ್ಟೊಮಿಕ್ಸ್ ಮೂಲಕ ಮುಂದುವರಿಯುತ್ತೇವೆ, ಇದು ಅತ್ಯಂತ ಸಾಮಾನ್ಯವಾದ ಓಮಿಕ್ಸ್ ವಿಶ್ಲೇಷಣೆ; ತತ್ವಗಳು ಇತರ ಪದರಗಳಿಗೂ ಅನ್ವಯಿಸುತ್ತವೆ. ವಿಶಿಷ್ಟ ಕೆಲಸದ ಹರಿವು: ಕಚ್ಚಾ ಡೇಟಾದಿಂದ ಅಭಿವ್ಯಕ್ತಿ ಮ್ಯಾಟ್ರಿಕ್ಸ್ (ಸಾಲುಗಳು ಜೀನ್ಗಳು, ಕಾಲಮ್ಗಳು ಮಾದರಿಗಳು, ಕೋಶಗಳು ಅಭಿವ್ಯಕ್ತಿ ಮಟ್ಟಗಳು), ಸಾಮಾನ್ಯೀಕರಣ (ತಾಂತ್ರಿಕ ವ್ಯತ್ಯಾಸಗಳನ್ನು ತೆಗೆದುಹಾಕುವುದು), ಡಿಫರೆನ್ಷಿಯಲ್ ಎಕ್ಸ್ಪ್ರೆಶನ್ ವಿಶ್ಲೇಷಣೆ (ಎರಡು ಪರಿಸ್ಥಿತಿಗಳ ನಡುವೆ ಗಮನಾರ್ಹವಾಗಿ ಬದಲಾಗುವ ಜೀನ್ಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದು), ಮಾರ್ಗ ಪುಷ್ಟೀಕರಣ (ಬದಲಾದ ಜೀನ್ಗಳು ಯಾವ ಜೈವಿಕ ಮಾರ್ಗಗಳಲ್ಲಿ ಕ್ಲಸ್ಟರ್ ಆಗಿವೆ ಎಂಬುದನ್ನು ಕಂಡುಹಿಡಿಯುವುದು) ಮತ್ತು ವ್ಯಾಖ್ಯಾನ.
ಡಿಫರೆನ್ಷಿಯಲ್ ಎಕ್ಸ್ಪ್ರೆಶನ್: ಪಟ್ಟು ಬದಲಾವಣೆ ಮತ್ತು ಸರಿಪಡಿಸಿದ p-ಮೌಲ್ಯ
ಜೀನ್ "ಬದಲಾವಣೆಯಾಗಿದೆ" ಎಂದು ಹೇಳಲು ಎರಡು ಸಂಖ್ಯೆಗಳನ್ನು ನೋಡಲಾಗುತ್ತದೆ: ಪಟ್ಟು ಬದಲಾವಣೆ - ಎಷ್ಟು ಬಾರಿ ಅಭಿವ್ಯಕ್ತಿ ಹೆಚ್ಚಾಗುತ್ತದೆ/ಕಡಿಮೆಯಾಗುತ್ತದೆ, ಸಾಮಾನ್ಯವಾಗಿ ಲಾಗ್2 ಪ್ರಮಾಣದಲ್ಲಿ - ಮತ್ತು ಸರಿಹೊಂದಿಸಲಾದ p-ಮೌಲ್ಯ (padj - ಬಹು ಪರೀಕ್ಷೆಯನ್ನು ಮಾಡಿದಾಗ ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ನಿಯಂತ್ರಿಸುವ ಅಂಕಿಅಂಶ). ಏಕೆ ಸರಿಪಡಿಸಿ? ಏಕೆಂದರೆ ನೀವು ಒಂದೇ ಸಮಯದಲ್ಲಿ 20,000 ಜೀನ್ಗಳನ್ನು ಪರೀಕ್ಷಿಸುತ್ತೀರಿ; ಆಕಸ್ಮಿಕವಾಗಿಯೂ ಸಹ, ನೂರಾರು ವಂಶವಾಹಿಗಳು "ಮಹತ್ವ" ಎಂದು ಹೊರಹೊಮ್ಮಬಹುದು. ಬಹುಪರೀಕ್ಷೆಯ ತಿದ್ದುಪಡಿಯಿಲ್ಲದೆ-ಬೆಂಜಮಿನಿ-ಹೊಚ್ಬರ್ಗ್ನಂತಹ ವಿಧಾನಗಳೊಂದಿಗೆ ತಪ್ಪು ಪತ್ತೆ ದರವನ್ನು ಮಿತಿಗೊಳಿಸುವುದು-ಪಟ್ಟಿಯು ತಪ್ಪುದಾರಿಗೆಳೆಯುವಂತಿದೆ. AI ಈ ಅಂಕಿಅಂಶವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಬರೆಯಬಹುದು, ಆದರೆ ಅದು ತಿದ್ದುಪಡಿಯನ್ನು ಬಿಟ್ಟುಬಿಟ್ಟರೆ, ನಿಮ್ಮ ಫಲಿತಾಂಶವು ವೈಜ್ಞಾನಿಕವಾಗಿ ಅಸಮರ್ಥನೀಯವಾಗಿರುತ್ತದೆ.
ಎಚ್ಚರಿಕೆ: ಕಚ್ಚಾ p-ಮೌಲ್ಯವನ್ನು ಆಧರಿಸಿ "500 ಜೀನ್ಗಳು ಗಮನಾರ್ಹವಾಗಿ ಬದಲಾಗಿವೆ" ಎಂದು AI ಹೇಳಬಹುದು. ಸರಿಪಡಿಸಲಾದ p-ಮೌಲ್ಯವನ್ನು ನೋಡಿದರೆ, ಸಂಖ್ಯೆಯು 30 ಕ್ಕೆ ಇಳಿಯಬಹುದು. ಯಾವಾಗಲೂ ಬಹು-ಪರೀಕ್ಷೆಯ ತಿದ್ದುಪಡಿಯನ್ನು ನೀವೇ ಪರಿಶೀಲಿಸಿ; ಇದು ಪ್ರಕಟಣೆಯ ಸ್ವೀಕಾರ ಮತ್ತು ನಿರಾಕರಣೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವಾಗಿದೆ.
ಬ್ಯಾಚ್ ಪರಿಣಾಮ: ಅತ್ಯಂತ ಕಪಟ ಬಲೆ
ಬ್ಯಾಚ್ ಎಫೆಕ್ಟ್ (ವಿವಿಧ ದಿನಗಳು, ಸಾಧನಗಳು ಅಥವಾ ಜನರ ಮೂಲಕ ಮಾದರಿಗಳ ಪ್ರಕ್ರಿಯೆಯಿಂದ ಉಂಟಾಗುವ ತಾಂತ್ರಿಕ ವ್ಯತ್ಯಾಸ) ಓಮಿಕ್ಸ್ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ದೋಷದ ದೊಡ್ಡ ಮೂಲವಾಗಿದೆ. ನಿಮ್ಮ ಎರಡು ಷರತ್ತುಗಳನ್ನು ಎರಡು ವಿಭಿನ್ನ ದಿನಗಳಲ್ಲಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಿದ್ದರೆ, ನೀವು ನೋಡುವ "ಜೈವಿಕ ವ್ಯತ್ಯಾಸ" ವಾಸ್ತವವಾಗಿ ದಿನದ ವ್ಯತ್ಯಾಸವಾಗಿರಬಹುದು. ಮಾದರಿಗೆ ಬ್ಯಾಚ್ ವೇರಿಯಬಲ್ ಅನ್ನು ಸೇರಿಸಲು AI ಸೂಚಿಸಬಹುದು (ಉದಾ. ~ ಬ್ಯಾಚ್ + ಸ್ಥಿತಿ), ಆದರೆ ಅದನ್ನು ಸರಿಯಾಗಿ ಹೊಂದಿಸುವುದು ನಿಮ್ಮ ಜವಾಬ್ದಾರಿಯಾಗಿದೆ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ವಿನ್ಯಾಸದಲ್ಲಿ ಅದನ್ನು ಮಿಶ್ರಣ ಮಾಡಬೇಡಿ.
ಸಲಹೆ: ವಿಶ್ಲೇಷಣೆಯನ್ನು ಪ್ರಾರಂಭಿಸುವ ಮೊದಲು, PCA (ಪ್ರಿನ್ಸಿಪಲ್ ಕಾಂಪೊನೆಂಟ್ ಅನಾಲಿಸಿಸ್ - ಹಲವಾರು ಅಕ್ಷಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಆಯಾಮದ ಡೇಟಾವನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸುವ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸುವ ವಿಧಾನ) ಚಾರ್ಟ್ ಅನ್ನು ಎಳೆಯಿರಿ. ಮಾದರಿಗಳನ್ನು ಜೈವಿಕ ಸ್ಥಿತಿಗಿಂತ ಹೆಚ್ಚಾಗಿ ಬ್ಯಾಚ್ನಿಂದ ಕ್ಲಸ್ಟರ್ ಮಾಡಿದ್ದರೆ, ಬ್ಯಾಚ್ ಪರಿಣಾಮವು ಪ್ರಬಲವಾಗಿರುತ್ತದೆ ಮತ್ತು ಅದನ್ನು ಮೊದಲು ಸರಿಪಡಿಸಬೇಕು.
ಬಹು-ಓಮಿಕ್ಸ್ ಏಕೀಕರಣ
ನಿಜವಾದ ತಿಳುವಳಿಕೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಪದರಗಳನ್ನು ಒಟ್ಟಿಗೆ ಸೇರಿಸುವುದರಿಂದ ಬರುತ್ತದೆ: ಜೀನ್ ಹೆಚ್ಚು ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದರೆ ಆದರೆ ಅದರ ಪ್ರೋಟೀನ್ ಹೆಚ್ಚಾಗದಿದ್ದರೆ, ನಿಯಂತ್ರಣವು ಭಾಷಾಂತರ ಮಟ್ಟದಲ್ಲಿರುತ್ತದೆ. ಮಲ್ಟಿ-ಓಮಿಕ್ಸ್ ಏಕೀಕರಣ-ವಿಭಿನ್ನ ಓಮಿಕ್ಸ್ ಲೇಯರ್ಗಳನ್ನು ಒಂದೇ ಮಾದರಿಯಲ್ಲಿ ಸಂಯೋಜಿಸುವುದು-ಎಲ್ಲಿ AI ಬಲಗೊಳ್ಳುತ್ತದೆ ಆದರೆ ಅದು ಹೆಚ್ಚು ತಪ್ಪುದಾರಿಗೆಳೆಯುತ್ತದೆ; ಏಕೆಂದರೆ ಪದರಗಳ ಮಾಪಕಗಳು, ಶಬ್ದ ಮತ್ತು ಮಾದರಿ ಹೊಂದಾಣಿಕೆಗಳು ವಿಭಿನ್ನವಾಗಿವೆ. AI ಏಕೀಕರಣ ವರ್ಕ್ಫ್ಲೋ ಅನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಆದರೆ ನೀವು ಫಲಿತಾಂಶಗಳ ಜೈವಿಕ ಸ್ಥಿರತೆಯನ್ನು ನಿಯಂತ್ರಿಸುತ್ತೀರಿ.
ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು
ಪ್ರಕರಣ 1 - ಪುಷ್ಟೀಕರಣವನ್ನು ವೇಗಗೊಳಿಸಲಾಗಿದೆ. ಕ್ಯಾನ್ಸರ್ ಯೋಜನೆಯಲ್ಲಿ 1,240 ವಿಭಿನ್ನ ಜೀನ್ಗಳು ಕಂಡುಬಂದಿವೆ. AI ಅವುಗಳನ್ನು ಪಾಥ್ವೇ ಪುಷ್ಟೀಕರಣಕ್ಕಾಗಿ ಪ್ರೈಮ್ ಮಾಡಿತು, ಜೀವಕೋಶದ ಚಕ್ರ ಮತ್ತು DNA ದುರಸ್ತಿ ಮಾರ್ಗಗಳನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ; ತಂಡವು 2 ಗಂಟೆಗಳಲ್ಲಿ ಊಹೆಯ ನಕ್ಷೆಯನ್ನು ರಚಿಸಿತು. ಆದರೆ ಅವರು ಪ್ರತಿ ಮಾರ್ಗವನ್ನು ಸ್ವತಂತ್ರ ಸಾಧನದೊಂದಿಗೆ (g:Profiler) ಮರುಪರೀಕ್ಷೆ ಮಾಡಿದರು ಮತ್ತು AI ನಿಂದ ಒಂದು ಮಾರ್ಗವನ್ನು ತಪ್ಪಾಗಿ ಮ್ಯಾಪ್ ಮಾಡಲಾಗಿದೆ ಎಂದು ಕಂಡುಕೊಂಡರು.
ಪ್ರಕರಣ 2 - ಬ್ಯಾಚ್ ಟ್ರ್ಯಾಪ್. ಒಂದು ಪ್ರಯೋಗಾಲಯವು ಎರಡು ಚಿಕಿತ್ಸಾ ಗುಂಪುಗಳ ನಡುವೆ "ಹೊಡೆಯುವ" 900-ಜೀನ್ ವ್ಯತ್ಯಾಸವನ್ನು ಕಂಡುಹಿಡಿದಿದೆ. ಅವರು ಪಿಸಿಎ ನಡೆಸಿದಾಗ, ಮಾದರಿಗಳನ್ನು ಅನುಕ್ರಮ ಬ್ಯಾಚ್ ಮೂಲಕ ಬೇರ್ಪಡಿಸಲಾಗಿದೆ ಎಂದು ಅವರು ನೋಡಿದರು. ಬ್ಯಾಚ್ ತಿದ್ದುಪಡಿಯ ನಂತರ, ನಿಜವಾದ ವ್ಯತ್ಯಾಸವು 60 ಜೀನ್ಗಳಿಗೆ ಕಡಿಮೆಯಾಗಿದೆ. ಮೊದಲ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ AI ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಬ್ಯಾಚ್ ವೇರಿಯಬಲ್ ಅನ್ನು ಬಿಟ್ಟುಬಿಟ್ಟಿದೆ.
ಪ್ರಕರಣ 3 - ರೂಪುಗೊಂಡ ಮಾರ್ಗದ ಹೆಸರು. ವಿದ್ಯಾರ್ಥಿಯೊಬ್ಬ AI ಗೆ ಜೀನ್ ಪಟ್ಟಿಯನ್ನು ನೀಡಿ, "ಯಾವ KEGG ಮಾರ್ಗ?" AI ಪಾಥ್ವೇ ID ಮತ್ತು ಹೆಸರನ್ನು ಅದು ನಿಜವೆಂದು ಒದಗಿಸಿದೆ. ವಿದ್ಯಾರ್ಥಿ KEGG ನಲ್ಲಿ ಹುಡುಕಿದಾಗ, ಆ ID ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲ ಎಂದು ಅವನು ನೋಡಿದನು; ಪರಿಶೀಲನೆಯು ಕೃತಕ ಫಲಿತಾಂಶವನ್ನು ತಡೆಯುತ್ತದೆ.
ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್ಗಳು
1) DESeq2 ವರ್ಕ್ಫ್ಲೋ ಔಟ್ಲೈನ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಕಂಪ್ಯೂಟೇಶನಲ್ ಬಯಾಲಜಿಸ್ಟ್. R/DESeq2 ಜೊತೆಗೆ RNA-seq ಡಿಫರೆನ್ಷಿಯಲ್ ಎಕ್ಸ್ಪ್ರೆಶನ್ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಹಂತ-ಹಂತದ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಬರೆಯಿರಿ: ಎಣಿಕೆ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಓದುವಿಕೆ, ವಿನ್ಯಾಸ ಸೂತ್ರ (~ ಬ್ಯಾಚ್ + ಸ್ಥಿತಿ), ಸಾಮಾನ್ಯೀಕರಣ, ಫಲಿತಾಂಶ ಕೋಷ್ಟಕ. ಬಹು ಪರೀಕ್ಷೆಯ ತಿದ್ದುಪಡಿಯನ್ನು (BH) ಸ್ಪಷ್ಟವಾಗಿ ಅನ್ವಯಿಸಿ ಮತ್ತು padjcolumn ಅನ್ನು ಬಳಸಿ. ಕಾಮೆಂಟ್ ಸಾಲಿನಲ್ಲಿ ಪ್ರತಿ ಹಂತವು ಏನು ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಿ.
2) ಗುಣಮಟ್ಟ/ಬ್ಯಾಚ್ ನಿಯಂತ್ರಣ:
ನನಗೆ RNA-seq QC ಪರಿಶೀಲನಾಪಟ್ಟಿ ನೀಡಿ: PCA ಜೊತೆಗೆ ಬ್ಯಾಚ್ ನಿಯಂತ್ರಣ, ಲೈಬ್ರರಿ ಗಾತ್ರ, ಜೀನ್ ಪತ್ತೆಗಳ ಸಂಖ್ಯೆ, ಹೊರಗಿನ ಪತ್ತೆ. ಪ್ರತಿ ಮೆಟ್ರಿಕ್ಗೆ, "ನಾನು ನೋಡುವುದು ನನಗೆ ಚಿಂತೆ ಮಾಡುತ್ತದೆ" ಮಿತಿಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿ. ಬ್ಯಾಚ್ ಮತ್ತು ಜೈವಿಕ ಸ್ಥಿತಿಯು ಮಿಶ್ರಣವಾಗಿದ್ದರೆ ನಾನು ಏನು ಮಾಡಬೇಕೆಂದು ವಿವರಿಸಿ.
3) ಪುಷ್ಟೀಕರಣ ಫಲಿತಾಂಶ ಪರಿಶೀಲನೆ:
ನಾನು ನಿಮಗೆ ಪುಷ್ಟೀಕರಿಸಿದ ಮಾರ್ಗ ಪಟ್ಟಿಯನ್ನು ನೀಡುತ್ತೇನೆ (ಪಾತ್ವೇಗಳ ಸಂಖ್ಯೆ, ಪ್ಯಾಡ್ಜೆ, ಜೀನ್ಗಳು). ಪ್ರತಿ ಮಾರ್ಗದ ಗುರುತನ್ನು (KEGG/GO ID) ಅಕ್ಷರಶಃ ಬರೆಯಿರಿ ಮತ್ತು ಅದನ್ನು ರೂಪಿಸಬೇಡಿ. padj <0.05 ನೊಂದಿಗೆ ಫಲಿತಾಂಶಗಳನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಿ. ಯಾವ ಮಾರ್ಗಗಳು ಜೈವಿಕವಾಗಿ ಪರಸ್ಪರ ಬೆಂಬಲಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿ, ಆದರೆ ಪ್ರತಿ ಗುರುತನ್ನು "ಡೇಟಾಬೇಸ್ನಲ್ಲಿ ಪರಿಶೀಲಿಸಬೇಕು" ಎಂದು ಗುರುತಿಸಿ.
4) ಬಹು-ಓಮಿಕ್ಸ್ ಸ್ಥಿರತೆ ಪರಿಶೀಲನೆ:
ಜೀನ್/ಪ್ರೋಟೀನ್ ಜೋಡಿಗಾಗಿ ಪ್ರತಿಲೇಖನ ಮತ್ತು ಪ್ರೋಟಿಯೊಮಿಕ್ ಇಳುವರಿ ಸಂಘರ್ಷದ ಅಭಿವ್ಯಕ್ತಿ ನಿರ್ದೇಶನಗಳು. ಇದಕ್ಕೆ ಸಂಭವನೀಯ ಜೈವಿಕ (ಅನುವಾದ ನಂತರದ ಸಂಪಾದನೆ) ಮತ್ತು ತಾಂತ್ರಿಕ (ಅಳತೆಯ ಶಬ್ದ, ಮಾದರಿ ಹೊಂದಾಣಿಕೆ) ಕಾರಣಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ ಮತ್ತು ಪ್ರತಿಯೊಂದನ್ನು ಹೇಗೆ ಪರೀಕ್ಷಿಸಬೇಕು ಎಂದು ಹೇಳಿ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಈ ಜೀನ್ ಪಟ್ಟಿಯಲ್ಲಿರುವ ಪ್ರಮುಖ ಮಾರ್ಗಗಳನ್ನು ಹೆಸರಿಸಿ.
ಯಾವುದೇ ಮೂಲಗಳಿಲ್ಲ, ಯಾವುದೇ ಅಂಕಿಅಂಶಗಳಿಲ್ಲ, ಫ್ಯಾಬ್ರಿಕೇಟೆಡ್ ಪಾಥ್ವೇಗಳ ಹೆಚ್ಚಿನ ಅಪಾಯ.
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಕಂಪ್ಯೂಟೇಶನಲ್ ಬಯಾಲಜಿಸ್ಟ್. ಲಗತ್ತಿಸಲಾದ ಡಿಫರೆನ್ಷಿಯಲ್ ಜೀನ್ ಕೋಷ್ಟಕದಲ್ಲಿ (ಜೀನ್, ಲಾಗ್2ಎಫ್ಸಿ, ಪ್ಯಾಡ್ಜೆ) ಪ್ಯಾಡ್ಜ್ <0.05 ನೊಂದಿಗೆ ಜೀನ್ಗಳನ್ನು ಮಾತ್ರ ತೆಗೆದುಕೊಳ್ಳಿ. ಈ ಜೀನ್ಗಳೊಂದಿಗೆ ನಿರ್ವಹಿಸಬೇಕಾದ GO ಪುಷ್ಟೀಕರಣ ವಿಶ್ಲೇಷಣೆಯ ಹಂತಗಳನ್ನು ಮತ್ತು ನಾನು ಬಳಸುವ ಉಪಕರಣವನ್ನು (g:Profiler) ನನಗೆ ತಿಳಿಸಿ. ಮಾರ್ಗದ ಹೆಸರು ನಕಲಿಯಾಗಿದೆ; ನಾನು ಉಪಕರಣವನ್ನು ರನ್ ಮಾಡುತ್ತೇನೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆ ಮಾಡುತ್ತೇನೆ, ನೀವು ಸರಿಯಾದ ವಿಧಾನ ಮತ್ತು ಬಹು ಪರೀಕ್ಷೆಯ ತಿದ್ದುಪಡಿಯನ್ನು ವಿವರಿಸುತ್ತೀರಿ.
ವ್ಯತ್ಯಾಸ: ಸ್ಪಷ್ಟ ಫಿಲ್ಟರ್, ವಿಧಾನದ ಗಮನ, ತಯಾರಿಕೆಯ ಮೇಲೆ ನಿಷೇಧ ಮತ್ತು ಪರಿಶೀಲನೆಯನ್ನು ಬಳಕೆದಾರರಿಗೆ ಬಿಡುವುದು.
ಓಮಿಕ್ಸ್ ವಿಶ್ಲೇಷಣೆ ಹಂತಗಳು
ಹೆಜ್ಜೆ
ಉದ್ದೇಶ
ಸಾಮಾನ್ಯ ತಪ್ಪು
AI ಪಾತ್ರ
ಸಾಮಾನ್ಯೀಕರಣ
ತಾಂತ್ರಿಕ ವ್ಯತ್ಯಾಸವನ್ನು ನಿವಾರಿಸಿ
ತಪ್ಪು ವಿಧಾನದ ಆಯ್ಕೆ
ಸ್ಕ್ರಿಪ್ಟ್ + ತರ್ಕಬದ್ಧತೆ
ಪಿಸಿಎ/ಕ್ಯೂಸಿ
ಬ್ಯಾಚ್ ಮತ್ತು ಹೊರಗಿನ ಪತ್ತೆ
ನನ್ನ ಹೆಜ್ಜೆಯನ್ನು ಬಿಟ್ಟುಬಿಡಿ
ಚಿತ್ರ + ಕಾಮೆಂಟ್
ಭೇದಾತ್ಮಕ ಅಭಿವ್ಯಕ್ತಿ
ಬದಲಾಗುತ್ತಿರುವ ಜೀನ್ಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದು
ಸರಿಪಡಿಸದ ಪಿ
ಸ್ಕ್ರಿಪ್ಟ್ ಡ್ರಾಫ್ಟ್
ಪುಷ್ಟೀಕರಣ
ಒಂದು ಮಾರ್ಗವನ್ನು ಕಂಡುಕೊಳ್ಳಿ
ನಿರ್ಮಿಸಿದ ಮಾರ್ಗ
ವಿಧಾನಶಾಸ್ತ್ರ
ಏಕೀಕರಣ
ಪದರಗಳನ್ನು ವಿಲೀನಗೊಳಿಸಿ
ಸ್ಕೇಲ್/ಮ್ಯಾಚ್ ದೋಷ
ಕೆಲಸದ ಹರಿವಿನ ಶಿಫಾರಸು
ಏಕ ಕೋಶ ಓಮಿಕ್ಸ್: ಹೊಸ ಮಾಪಕ
ಇತ್ತೀಚಿನ ವರ್ಷಗಳಲ್ಲಿ, ಏಕ-ಕೋಶದ ಅನುಕ್ರಮ - ಪ್ರತಿ ಸಾವಿರಾರು ಕೋಶಗಳ ಅಭಿವ್ಯಕ್ತಿ ಪ್ರೊಫೈಲ್ ಅನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಅಳೆಯುವುದು - ಓಮಿಕ್ಸ್ ಅನ್ನು ಹೊಸ ಆಯಾಮಕ್ಕೆ ತೆಗೆದುಕೊಂಡಿದೆ. ಈಗ, "ಅಂಗಾಂಶದ ಸರಾಸರಿ ಅಭಿವ್ಯಕ್ತಿ" ಬದಲಿಗೆ, ನಾವು ಆ ಅಂಗಾಂಶದೊಳಗೆ ಪ್ರತಿಯೊಂದು ಜೀವಕೋಶದ ಪ್ರಕಾರವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ನೋಡಬಹುದು. ಈ ಶಕ್ತಿಯು ಹೊಸ ಮೋಸಗಳನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ: ದತ್ತಾಂಶವು ಅತ್ಯಂತ ವಿರಳವಾಗಿದೆ (ಹೆಚ್ಚಿನ ಜೀನ್ಗಳು ಹೆಚ್ಚಿನ ಕೋಶಗಳಲ್ಲಿ ಶೂನ್ಯ ಓದುವಿಕೆಯನ್ನು ಹೊಂದಿರುತ್ತವೆ-ಡ್ರಾಪ್ಔಟ್), ಗಾತ್ರವು ಹತ್ತಾರು ಸಾವಿರ ಕೋಶಗಳು × ಇಪ್ಪತ್ತು-ಸಾವಿರ ಜೀನ್ಗಳು, ಮತ್ತು ಜೀವಕೋಶದ ಪ್ರಕಾರಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸುವುದು ಕ್ಲಸ್ಟರಿಂಗ್ನಿಂದ ಹೆಚ್ಚಾಗಿ ಮಾಡಲಾಗುತ್ತದೆ. ಏಕ ಸೆಲ್ ಡೇಟಾದಲ್ಲಿ ಕ್ಲಸ್ಟರಿಂಗ್ ಮತ್ತು ಸೆಲ್ ಪ್ರಕಾರದ ಲೇಬಲಿಂಗ್ ಔಟ್ಲೈನ್ಗಳನ್ನು ಉತ್ಪಾದಿಸುವಲ್ಲಿ AI ಶಕ್ತಿಯುತವಾಗಿದೆ; ಆದರೆ ನೀವು ತಿಳಿದಿರುವ ಮಾರ್ಕರ್ ಜೀನ್ಗಳೊಂದಿಗೆ ಪ್ರತಿ ಕ್ಲಸ್ಟರ್ ನಿಜವಾದ ಸೆಲ್ ಪ್ರಕಾರವೇ ಅಥವಾ ತಾಂತ್ರಿಕ ಕಲಾಕೃತಿಯೇ ಎಂದು ಪರಿಶೀಲಿಸುತ್ತೀರಿ (ಉದಾ. ಸತ್ತ ಜೀವಕೋಶಗಳು, ಎರಡು ಕೋಶಗಳು ಒಟ್ಟಿಗೆ ಹಿಡಿದಿವೆ). ನಿಜವಾದ ಸಾಹಿತ್ಯದಲ್ಲಿ ಆ ಕ್ಲಸ್ಟರ್ನ ಮಾರ್ಕರ್ ಜೀನ್ಗಳನ್ನು ದೃಢೀಕರಿಸದೆ AI ಸೂಚಿಸಿದ ಸೆಲ್ ಪ್ರಕಾರದ ಲೇಬಲ್ ಅನ್ನು ಸ್ವೀಕರಿಸಬೇಡಿ.
ಸಲಹೆ: ಏಕ-ಕೋಶದ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ, AI ಕ್ಲಸ್ಟರ್ಗೆ "T ಸೆಲ್" ಲೇಬಲ್ ಅನ್ನು ಸೂಚಿಸಿದರೆ, T ಸೆಲ್ ಮಾರ್ಕರ್ಗಳು (ಉದಾ. CD3) ಆ ಕ್ಲಸ್ಟರ್ನಲ್ಲಿ ನಿಜವಾಗಿಯೂ ಹೆಚ್ಚು ವ್ಯಕ್ತಪಡಿಸಲಾಗಿದೆಯೇ ಎಂದು ನೀವೇ ಪರಿಶೀಲಿಸಿ. ಟೋಕನ್ನಿಂದ ಲೇಬಲ್ ಅನ್ನು ಬೆಂಬಲಿಸದಿದ್ದರೆ, ಅದು ಊಹೆಯಾಗಿದೆ, ತೀರ್ಮಾನವಲ್ಲ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಬಹು ಪರೀಕ್ಷೆಯ ತಿದ್ದುಪಡಿಯನ್ನು ಬಿಟ್ಟುಬಿಡಲಾಗುತ್ತಿದೆ. ಪಟ್ಟಿಯು ಕಚ್ಚಾ p-ಮೌಲ್ಯದೊಂದಿಗೆ ಉಬ್ಬುತ್ತದೆ; padj ಅನ್ನು ಬಳಸಬೇಕು.
- ಜೀವಶಾಸ್ತ್ರಕ್ಕೆ ಬ್ಯಾಚ್ ಪರಿಣಾಮವನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. ಇದನ್ನು ಮೊದಲು ಪಿಸಿಎಯೊಂದಿಗೆ ಪರಿಶೀಲಿಸಬೇಕು.
- ನೆಲದ ಬದಲಾವಣೆಯನ್ನು ಮಾತ್ರ ಮಾನದಂಡವನ್ನಾಗಿ ಮಾಡುವುದು. ಕಡಿಮೆ-ಅಭಿವ್ಯಕ್ತಿ, ಗದ್ದಲದ ಜೀನ್ಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಪಟ್ಟು ಬದಲಾವಣೆಯು ತಪ್ಪುದಾರಿಗೆಳೆಯಬಹುದು.
- ನಿರ್ಮಿತ ಮಾರ್ಗ/GO ಗುರುತನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುವುದು. ಪ್ರತಿಯೊಂದು ಗುರುತನ್ನು ಡೇಟಾಬೇಸ್ನಲ್ಲಿ ಪರಿಶೀಲಿಸಬೇಕು.
- ಮಾದರಿ ಗಾತ್ರವನ್ನು ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡುವುದು. 2 ರಿಂದ 2 ವಿನ್ಯಾಸದಲ್ಲಿ ಅಂಕಿಅಂಶಗಳ ಶಕ್ತಿಯು ಕಡಿಮೆಯಾಗಿದೆ; ಫಲಿತಾಂಶಗಳನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಅರ್ಥೈಸಿಕೊಳ್ಳಬೇಕು.
ಸಾರಾಂಶದಲ್ಲಿ
Omics ವಿಶ್ಲೇಷಣೆಯು ಹೆಚ್ಚಿನ ಆಯಾಮದ, ಗದ್ದಲದ ಡೇಟಾದೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು AI ಈ ಡೇಟಾವನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುವ ಮೂಲಕ, ಸ್ಕ್ರಿಪ್ಟ್ಗಳನ್ನು ಬರೆಯುವ ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುವ ಮೂಲಕ ವೇಗಗೊಳಿಸುತ್ತದೆ. ಆದರೆ ಡಿಫರೆನ್ಷಿಯಲ್ ಎಕ್ಸ್ಪ್ರೆಶನ್ನಲ್ಲಿ ಬಹು ಪರೀಕ್ಷೆಯ ತಿದ್ದುಪಡಿ, ಪಿಸಿಎಯೊಂದಿಗೆ ಬ್ಯಾಚ್ ನಿಯಂತ್ರಣ ಮತ್ತು ಪುಷ್ಟೀಕರಣದಲ್ಲಿ ಮೂಲ ಪರಿಶೀಲನೆಯು ಅನಿವಾರ್ಯವಾಗಿದೆ. ಬಹು-ಓಮಿಕ್ಸ್ ಏಕೀಕರಣವು ಶಕ್ತಿಯುತವಾಗಿದೆ ಆದರೆ ದಾರಿತಪ್ಪಿಸುತ್ತದೆ; ಪ್ರತಿ ಫಲಿತಾಂಶವನ್ನು ಜೈವಿಕ ಸ್ಥಿರತೆಯೊಂದಿಗೆ ಪರಿಶೀಲಿಸಿ, ಪದರಗಳ ಪ್ರಮಾಣ ಮತ್ತು ಶಬ್ದ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಿ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವ RNA-seq ಕೌಂಟ್ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ಹುಡುಕಿ (ಉದಾ. GEO ನಿಂದ). "DESeq2 ವರ್ಕ್ಫ್ಲೋ" ಟೆಂಪ್ಲೇಟ್ನೊಂದಿಗೆ AI ವಿಶ್ಲೇಷಣೆ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಬರೆಯಿರಿ ಮತ್ತು ಬಹು ಪರೀಕ್ಷೆಯ ತಿದ್ದುಪಡಿಯನ್ನು ವಾಸ್ತವವಾಗಿ ಅನ್ವಯಿಸಲಾಗಿದೆಯೇ ಎಂದು ಕೋಡ್ನಲ್ಲಿ ಪರಿಶೀಲಿಸಿ. ನಂತರ ಪುಷ್ಟೀಕರಣದ ಕಾಮೆಂಟ್ಗಾಗಿ AI ಅನ್ನು ಕೇಳಿ ಮತ್ತು KEGG ಅಥವಾ GO ಡೇಟಾಬೇಸ್ಗೆ ವಿರುದ್ಧವಾಗಿ ಅದು ಒಂದೊಂದಾಗಿ ಹಿಂತಿರುಗಿಸುವ ಎಲ್ಲಾ ಪಾಥ್ವೇ ಐಡಿಗಳನ್ನು ಪರಿಶೀಲಿಸಿ; ಎಷ್ಟು ನಿಜ ಎಂಬುದನ್ನು ಗಮನಿಸಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನಾನು ಭೇದಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ padj (ಸರಿಪಡಿಸಲಾಗಿದೆ) ಬಳಸಿದ್ದೇನೆ, ಕಚ್ಚಾ p-ಮೌಲ್ಯವಲ್ಲ.
- [ ] ನಾನು PCA ಯೊಂದಿಗೆ ಬ್ಯಾಚ್ ಪರಿಣಾಮವನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ ಮತ್ತು ಅಗತ್ಯವಿದ್ದರೆ ಅದನ್ನು ಮಾದರಿಗೆ ಸೇರಿಸಿದ್ದೇನೆ.
- [ ] ನಾನು ಹೆಚ್ಚಿನ ಪಟ್ಟು ಬದಲಾವಣೆಯೊಂದಿಗೆ ಜೀನ್ಗಳನ್ನು ಅರ್ಥೈಸಿದೆ ಆದರೆ ಎಚ್ಚರಿಕೆಯಿಂದ ಕಡಿಮೆ ಅಭಿವ್ಯಕ್ತಿ.
- [ ] ನಾನು ನೈಜ ಡೇಟಾಬೇಸ್ ವಿರುದ್ಧ ಪ್ರತಿ ಮಾರ್ಗ/GO ID ಅನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
- [ ] ನಾನು ಮಾದರಿ ಗಾತ್ರದ ಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಶಕ್ತಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ್ದೇನೆ.
- [ ] ನಾನು ಬಹು-ಓಮಿಕ್ಸ್ ವಿರೋಧಾಭಾಸಗಳನ್ನು ಜೈವಿಕ ಮತ್ತು ತಾಂತ್ರಿಕ ಕಾರಣಗಳಾಗಿ ವಿಂಗಡಿಸಿದೆ.