Ieguvumi:
- Spēja izprast vairāku salīdzināšanas problēmu un iekļaut analīzē FDR (viltus atklāšanas ātruma) korekciju
- Spēja atšķirt statistisko un bioloģisko nozīmīgumu, kopā novērtējot p-vērtību un efekta lielumu (log2 reizes izmaiņas)
- Spēja atpazīt un izvairīties no augstas dimensijas datu slazdiem, piemēram, paketes efekta un cēloņsakarības lēciena
Vārds “omika” apraksta pieejas, kas mēra veselu molekulu klasi šūnā: genomika (visa DNS), transkriptomika (visa RNS / gēnu ekspresija), proteomika (visi proteīni), metabolomika (visas mazās molekulas). Šo mērījumu kopīgā iezīme ir to augstā dimensija: vienā paraugā vienlaicīgi tiek mērīti tūkstošiem vai pat desmitiem tūkstošu mainīgo lielumu (gēni, proteīni), bet paraugu skaits parasti ir neliels (piemēram, 20 pacienti). Šī situācija “daudz mainīgo, daži paraugi” ir bioloģijas unikālo problēmu avots un jomas, kurās AI var būt visnoderīgākā.
Šajā nodaļā mēs apspriedīsim diferenciālās ekspresijas analīzi (gēnu atrašanu, kuru ekspresija ievērojami mainās starp divām grupām) un mākslīgā intelekta lomu šajā darbplūsmā, izmantojot transkriptomikas (RNA-seq) piemēru.
Galvenā augstas dimensijas datu problēma
Ja pārbaudīsiet tūkstošiem gēnu vienlaikus, jūs nejauši atradīsiet gēnus, kas šķiet "nozīmīgi", pat ja nav reālu atšķirību. Pārbaudot 20 000 gēnu ar 5% kļūdas robežu, ~1000 gēnu nejauši var izrādīties "nozīmīgi". To sauc par vairāku salīdzināšanas problēmu, un tā ir vissvarīgākā omikas analīzes problēma. Risinājums ir labot p vērtības (piemēram, aprēķināt FDR — viltus atklāšanas ātrumu ar Benjamini-Hochberg metodi). AI ļoti palīdz izskaidrot šo jēdzienu un uzrakstot pareizo kodu; taču jūsu pienākums ir atcerēties piemērot labojumu.
Padoms. Ja omikas rezultātos redzat tādu skaitli kā "3000 gēnu būtiski mainīti", uztraucieties. Parasti tā ir zīme, ka nav veikta vairākkārtēja salīdzinājuma korekcija. Reālistisks saraksts būtu desmitiem līdz vairākiem simtiem gēnu labi izstrādātā eksperimentā.
RNS-seq diferenciālā izteiksme: soli pa solim
- Neapstrādāti skaitļi: tabula, kurā norādīts, cik nolasījumu katrā paraugā katram gēnam.
- Kvalitāte un filtrēšana: izmetiet gēnus ar ļoti zemu ekspresiju.
- Normalizācija: pareiza bibliotēkas lieluma atšķirība starp paraugiem (brutālais skaitlis nav salīdzināms).
- Statistiskais modelis: Testa grupu atšķirība ar DESeq2 vai edgeR (R bibliotēkas) vai pyDESeq2 Python.
- Vairāku salīdzināšanas korekcija: Aprēķināt FDR; parasti FDR slieksnis < 0,05.
- Efekta lielums: Novērtējiet ar log2 reizes maiņu: cik reižu izteiksme palielinās/samazinās.
- Komentārs: Saistiet nozīmīgus gēnus ar bioloģiskajiem ceļiem.
Mākslīgais intelekts 3-6. Tas kodē darbības, izskaidro jēdzienus un palīdz interpretēt rezultātu. Tomēr modelis nevar pateikt "kurš gēns mainījās", neredzot jūsu neapstrādātos datus; Kods un statistika jums to parāda.
Kopējamas uzvedņu veidnes
Loma: Jūs esat transkriptomiskās analīzes palīgs. Konteksts: man ir RNS-seq neapstrādātā skaita tabula (CSV) no 12 kontroles, 12 apstrādes paraugiem. Uzdevums: Uzskaitiet diferenciālās izteiksmes analīzes soļus ar pyDESeq2, paskaidrojiet, kāpēc katrs solis ir nepieciešams. Vispirms plānojiet, pēc tam kodējiet. Noteikti iekļaujiet vairāku salīdzināšanas labojumu.
Mana analīzes rezultāts parādīja 4200 gēnu kā "p<0,05". Kāpēc tas varētu būt aizdomīgi? Izskaidrojiet vairāku salīdzināšanas korekciju (Benjamini-Hochberg FDR) un norādiet Python kodu, kas veic pareizo filtrēšanu.
Uzrakstiet kodu, kas zīmē vulkāna diagrammu no manas diferenciālās izteiksmes rezultātu tabulas (gēns, log2FC, padj kolonnas). Krāsojiet gēnus ar FDR<0,05 un |log2FC|>1, atzīmējiet 10 labākos.
Kā es varu analizēt šo nozīmīgo gēnu sarakstu ceļa bagātināšanai? Izskaidrojiet gseapy vai g:Profiler darbības. Nepretendējiet uz absolūtu cēloņsakarību komentārā, izmantojiet korelācijas valodu. Gēnu saraksts: [saraksts]
Vāja uzvedne / spēcīga uzvedne
Vājš: "Pastāstiet man, kuri gēni ir svarīgi RNS-seq ražā."
Strong: "Man ir pyDESeq2 izvade no 12 kontroles, 12 ārstēšanas paraugi: tabula ar gēnu, log2FoldChange, padj kolonnas. Norādiet kodu, kas filtrē nozīmīgus gēnus ar sliekšņiem FDR<0,05 un |log2FC|>1, ziņo to skaitu un sarindo 20 spēcīgākos gēnus pēc ietekmes.
Atšķirība: jaudīgajai uzvednei ir faktiskās izvades kolonnas, sliekšņi un validācijas pieprasījums. Modelis apstrādā jūsu datus, nevis ģenerē izdomātu gēna nosaukumu.
trīs mini futrāļi
1. gadījums — katastrofa bez korekcijas: grupa atrada 3800 “nozīmīgos” gēnu ar p<0,05 bez korekcijas un iesniedza to publikācijai. Kad tiesnesis lūdza FDR korekciju, saraksts samazinājās līdz 47 gēniem. Ja mākslīgais intelekts jau no paša sākuma būtu pievienojis Benjamini-Hochberg kodu, šis apmulsums nebūtu noticis. Nodarbība: labojums nav apspriežams.
2. gadījums — partijas efekts: vienā pētījumā paraugi tika apstrādāti divās dažādās dienās. Tas, ko viņi uzskatīja par “pacienta un kontroles” atšķirību, patiesībā bija “1. dienu un 2. dienu” atšķirība (partijas efekts: tehniskā atšķirība paraugu ņemšanas puses dēļ). AI palīdzēja novērst viltus signālu, iesakot modelim pievienot partijas mainīgo (~ partija + nosacījums modeļa formulā).
3. gadījums — kroku izmaiņu ignorēšana: skolēns pasludināja par "vissvarīgāko" gēnu, kura ekspresija mainījās par 2%, bet tika mērīta kā ļoti stabila, tikai aplūkojot p-vērtību. tā kā efekta lielums (log2FC) bija gandrīz nulle; statistiskā nozīmība nav bioloģiskā nozīme. Modelis izskaidroja šo atšķirību un ieteica to vizualizēt ar vulkāna grafiku.
Salīdzinājuma tabula: koncepcijas skaidrība
koncepcija
Nozīme
Kāpēc tas ir svarīgi?
p-vērtība
Atšķirības varbūtība ir nejaušība
vien var maldināt
FDR (padj)
Labots kļūdu līmenis vairākās pārbaudēs
Ierobežo viltus pozitīvus rezultātus
log2 reizes maiņa
Efekta lielums
Norāda bioloģisko nozīmi
partijas efekts
Tehniskās partijas atšķirība
Izveido viltus signālu
normalizācija
Starpizlases mēroga korekcija
Padara salīdzināšanu godīgu
Biežas kļūdas
- Vairāku salīdzināšanas labojumu izlaišana: visizplatītākā un nopietnākā kļūda.
- Skatoties tikai uz p-vērtību: noteikti ņemiet vērā efekta lielumu (log2FC) kopā.
- Pakešu efekta neiekļaujot modelī: tehniskas atšķirības sajaukšana ar bioloģisko atšķirību.
- Normalizācijas aizmirstība: neapstrādātu skaitļu tieša salīdzināšana.
- Cēloņvaloda: Sakot "Šis gēns izraisa slimības"; Omikas dati parāda korelāciju, cēloņsakarība prasa papildu eksperimentus.
Uzmanību! Augstas dimensijas datos “statistiski nozīmīgs” un “bioloģiski nozīmīgs” ir divas dažādas lietas. Mākslīgā intelekta radītais gēnu saraksts ir sākotnējā hipotēze; Katru kandidātgēnu nevajadzētu uzskatīt par galīgu bez pārbaudes ar neatkarīgu metodi (qPCR, proteīna mērījumi).
Izmēru samazināšana un kvalitātes kontrole
Pirmā lieta, kas jādara augstas dimensijas datos, ir redzēt paraugu vispārējo struktūru. PCA (galveno komponentu analīze: tūkstošiem mainīgo lielumu samazināšana dažās kopsavilkuma asīs un to parādīšana 2 dimensijās) ir standarta rīks šim nolūkam. Ja sagaidāmās grupas (kontrole/ārstēšana) ir atdalītas PCA diagrammā, tas ir labi; bet, ja paraugi ir grupēti pēc "apstrādes dienas", nevis pēc grupas, šis ir partijas efekta brīdinājums. Tajā pašā diagrammā uzreiz tiek parādīts arī viens izņēmuma (neizdevies) piemērs.
Zīmējiet PCA no manas normalizētās izteiksmes tabulas (rindas gēns, kolonnas paraugs). Krāsu paraugi pa grupām (kontrole/apstrāde), forma pēc apstrādes partijas. Komentējiet, vai diagrammā ir redzams pakešu efekts vai izņēmuma modelis.
Šis heiristiskais solis virza pārējo analīzi: labāk ir agri uztvert novirzes, nekā izniekot mēnešus viltus rezultātam.
Vienas šūnas dati: jauna dimensija
Pēdējos gados vienšūnas RNS sekvencēšana (vienšūnas RNS-seq: tūkstošiem atsevišķu šūnu ekspresijas profila mērīšana) ir kļuvusi plaši izplatīta. Šeit dati kļūst vēl lielāki: desmitiem tūkstošu šūnu, tūkstošiem gēnu katrā. Tādi rīki kā Scanpy (Python) apstrādā šos datus; sagrupē šūnas un identificē šūnu tipus. AI raksta kodu šai darbplūsmai, bet šūnu tipu bioloģiskā nomenklatūra (neatkarīgi no tā, vai kopa ir “T šūna” vai “makrofāgs”) balstās uz marķieru gēniem un ekspertu zināšanām. Noteikti apstipriniet šūnas tipa marķējumu, ko modelis piešķir klasterim ar zināmiem marķieriem; Šis ir visbiežāk pārprastais solis vienas šūnas analīzē.
Atvērtie dati un reproducējamība
Lielākā daļa omikas pētījumu augšupielādē savus datus publiskajās krātuvēs: GEO (Gene Expression Omnibus) un ArrayExpress gēnu ekspresijai, SRA (sekvenču lasīšanas arhīvs) neapstrādātām sekvencēm, PRIDE proteomikai. Tas ir ļoti svarīgi, lai citi varētu pārbaudīt jūsu rezultātus un lai jūs varētu atkārtoti analizēt citu pētījumu datus. AI var rakstīt kodu (ar tādiem rīkiem kā GEOparse), kas lejupielādē un kārto datus no GEO reģistrācijas numura (piemēram, GSE numura); Taču noteikti izlasiet un apstipriniet lejupielādēto datu noformējumu (cik grupu, cik atkārtojumu, kurš process) no sākotnējā ieraksta. Ja modelis apgalvo, ka “atceras” pētījuma plānu, tas gandrīz vienmēr ir minējums, kas ir jāpārbauda.
Rezumējot
Omics dati mēra tūkstošiem mainīgo lielumu nelielā izlasē; Tas rada vairāku salīdzinājumu, pakešu efektu un pārmērīgas interpretācijas slazdus. Mākslīgais intelekts; Tas raksta diferenciālās izteiksmes analīzes kodu, izskaidro jēdzienus un palīdz interpretēt rezultātus. Tomēr jūsu pienākums ir piemērot FDR korekciju, novērtēt efekta lielumu un izvairīties no cēloņsakarības valodas. Kandidātu gēni ir hipotēzes, līdz tie tiek pārbaudīti ar neatkarīgu metodi.
Lietojumprogrammas uzdevums
Iegūstiet vai izveidojiet diferenciālās izteiksmes rezultātu tabulas paraugu (gen, log2FC, padj). Iestatiet AI rakstīšanas kodu, kas filtrē pēc FDR<0,05 un |log2FC|>1, ziņo par nozīmīgo gēnu skaitu un izveido vulkāna grafiku. Palaidiet kodu. Pēc tam lieciet modelim aprēķināt, cik gēnu varētu šķist “nozīmīgi”, ja korekcija nebūtu veikta, un interpretēt atšķirību.
kontrolsaraksts
- [ ] Es izmantoju vairākkārtēju salīdzināšanas korekciju (FDR).
- Es novērtēju efekta lielumu (log2FC), kā arī [ ] p vērtību.
- [ ] Es pārbaudīju partijas/tehniskos mainīgos.
- [ ] Es neizlaidu normalizācijas soli.
- [ ] Es izmantoju korelācijas valodu, nevis cēloņsakarību.
- [ ] Es atzīmēju kandidātu gēnus kā hipotēzes, kuras ir jāapstiprina.