Добивки:
- Способност да се разбере проблемот со повеќекратна споредба и да се вклучи FDR (стапка на лажно откривање) корекција во анализата
- Способност да се разликува статистичко и биолошко значење преку евалуација на p-вредноста и големината на ефектот (промена на log2 пати) заедно
- Способност за препознавање и избегнување стапици на податоци со високи димензии како што се сериски ефект и скок на каузалност
Зборот „омика“ опишува пристапи кои мерат цела класа на молекули во клетката: геномика (сите ДНК), транскриптомика (цела РНК/генска експресија), протеомика (сите протеини), метаболомика (сите мали молекули). Заедничка карактеристика на овие мерења е нивната висока димензионалност: илјадници, па дури и десетици илјади променливи (гени, протеини) се мерат истовремено во еден примерок, но бројот на примероци е обично мал (на пример, 20 пациенти). Оваа ситуација „многу променливи, малку примероци“ е извор на предизвици уникатни за биологијата и областите каде што вештачката интелигенција може да биде најкорисна.
Во оваа единица, ќе разговараме за анализа на диференцијална експресија (пронаоѓање гени чие изразување значително се менува помеѓу две групи) и улогата на вештачката интелигенција во овој работен тек преку примерот на транскриптомика (РНК-сек).
Главниот проблем на високи димензионални податоци
Ако тестирате илјадници гени одеднаш, случајно ќе најдете гени кои изгледаат „значајни“, дури и ако нема реални разлики. Ако тестирате 20.000 гени со маргина на грешка од 5%, случајно ~ 1.000 гени може да испаднат како „значајни“. Ова се нарекува проблем со повеќекратна споредба и е најкритичната замка на омиската анализа. Решението е да се корегираат p-вредностите (на пр. пресметајте FDR - стапка на лажно откривање со методот Бенџамини-Хохберг). ВИ е многу корисна во објаснувањето на овој концепт и пишувањето на вистинскиот код; но ваша одговорност е да запомните да ја примените исправката.
Совет: ако видите број како „3.000 гени значително променети“ во омикс резултат, бидете вознемирени. Ова е обично знак дека повеќекратната корекција на споредба не е направена. Реална листа би била десетици до неколку стотици гени во добро дизајниран експеримент.
РНК-сек диференцијална експресија: чекор по чекор
- Сурови брои: Табела која содржи колку читања паднале во секој примерок за секој ген.
- Квалитет и филтрирање: Отфрлете ги гените со многу слаб израз.
- Нормализација: Правилна разлика во големината на библиотеката помеѓу примероците (брутиот број не е споредлив).
- Статистички модел: Тест група разлика со DESeq2 или edgeR (R библиотеки) или pyDESeq2 во Python.
- Корекција на повеќекратна споредба: Пресметајте FDR; обично праг од FDR < 0,05.
- Големина на ефектот: Оценете со промена на log2 пати: колку пати изразот се зголемува/намалува.
- Коментар: Поврзете значајни гени со биолошките патишта.
Вештачка интелигенција 3-6. Ги шифрира чекорите, ги објаснува концептите и ви помага да го протолкувате излезот. Сепак, моделот не може да каже „кој ген се смени“ без да ги види вашите необработени податоци; Кодот и статистиката ви го кажуваат ова.
Шаблони за копирање на брзините
Улога: Вие сте асистент за транскриптомска анализа. Контекст: Имам табела за суровини за броење на RNA-seq (CSV) од 12 контролни, 12 примероци за третман. Задача: Наведете ги чекорите на анализа на диференцијални изрази со pyDESeq2, објаснете зошто е неопходен секој чекор. Прво планирајте, второ кодирајте. Не заборавајте да вклучите повеќекратна корекција на споредба.
Мојата анализа покажа 4.200 гени како "p<0,05". Зошто ова може да биде сомнително? Објаснете ја корекција на повеќекратна споредба (Бенџамини-Хохберг FDR) и дајте код на Пајтон кој го прави правилното филтрирање.
Напиши код што црта вулкански заговор од мојата табела со резултати со диференцијални изрази (ген, log2FC, колони padj). Обојте ги гените со FDR<0.05 и |log2FC|>1, означете ги првите 10.
Како да ја анализирам оваа значајна листа на гени за збогатување на патеката? Објаснете ги чекорите gseapy или g:Profiler. Не барајте апсолутна каузалност во коментарот, користете јазик за корелација. Список на гени: [листа]
Слаб промпт / Силен промпт
Слаб: „Кажи ми кои гени се важни во приносот на RNA-seq“.
Силно: „Имам излез од pyDESeq2 од 12 контролни, 12 примероци за третман: табела со ген, log2FoldChange, padj колони. Дајте код што филтрира значајни гени со прагови од FDR<0.05 и |log2FC|>1, ги известува нивните броеви и ги рангира 20-те генери со разумност.
Разлика: Моќниот промпт има вистински излезни колони, прагови и барање за валидација. Моделот ги обработува вашите податоци наместо да генерира измислено име на ген.
три мини футроли
Случај 1 - Катастрофа без корекција: Група пронајде 3.800 „значајни“ гени со p<0,05 без корекција и ги достави до публикација. Кога судијата побара корекција на FDR, листата падна на 47 гени. Ако вештачката интелигенција го додаде кодот Бенџамини-Хохберг од самиот почеток, овој срам немаше да се случи. Лекција: поправката не може да се преговара.
Случај 2 - Сериски ефект: Во една студија, примероците беа обработени во два различни дена. Она што тие мислеа дека е разликата „пациент наспроти контрола“ всушност беше разлика „првиот ден наспроти 2-риот ден“ (сериски ефект: техничка разлика поради партијата на примерокот). Вештачката интелигенција помогна да се отстрани лажниот сигнал со тоа што предложи да се додаде променливата серија на моделот (~ серија + состојба во формулата на моделот).
Случај 3 - Игнорирање на промената на пати: Студент прогласи за „најважен“ ген чиј израз се промени за 2%, но беше измерен дека е многу стабилен, само со гледање на p-вредноста. Со оглед на тоа што големината на ефектот (log2FC) беше речиси нула; статистичкото значење не е биолошко значење. Моделот ја објасни оваа разлика и предложи да се визуелизира со графикон на вулкан.
Споредбена табела: јасност на концептот
концепт
Значење
Зошто е важно?
p-вредност
Веројатноста дека разликата е случајност
сам може да доведе до заблуда
FDR (padj)
Поправена стапка на грешка при повеќекратно тестирање
Ги ограничува лажните позитиви
log2 пати промена
Големина на ефектот
Укажува на биолошко значење
сериски ефект
Техничка разлика во серија
Создава лажен сигнал
нормализација
Корекција на скалата меѓу примероците
Ја прави споредбата праведна
Вообичаени грешки
- Прескокнување корекција на повеќекратна споредба: најчеста и најсериозна грешка.
- Само гледајќи ја p-вредноста: не заборавајте да ја земете во предвид големината на ефектот (log2FC) заедно.
- Не вклучувајќи го серискиот ефект во моделот: Погрешување на техничката разлика за биолошка разлика.
- Заборавајќи ја нормализацијата: директно споредување необработени броеви.
- Причински јазик: велејќи „Овој ген предизвикува болест“; Податоците од Omics покажуваат корелација, каузалноста бара дополнително експериментирање.
Внимание: во податоци со високи димензии, „статистички значајни“ и „биолошки значајни“ се две различни работи. Списокот на гени што го произведува вештачката интелигенција е почетна хипотеза; Секој кандидатски ген не треба да се смета за дефинитивен без верификација со независен метод (qPCR, мерење на протеини).
Намалување на големината и контрола на квалитетот
Првото нешто што треба да се направи во високодимензионалните податоци е да се види општата структура на примероците. PCA (анализа на главна компонента: намалување на илјадници променливи во неколку оски за сумирање и нивно прикажување во 2 димензии) е стандардна алатка за ова. Ако групите што ги очекувате (контрола/третман) се одвоени во табелата PCA, тоа е добро; но ако примероците се групирани по „ден обработен“ наместо по група, ова е предупредување за ефект на серија. Истата табела, исто така, веднаш покажува единствен надворешен (неуспешен) пример.
Нацртајте PCA од мојата нормализирана табела за изразување (ген на ред, примерок од колона). Примероците во боја по група (контрола/третман), облик по серија на обработка. Коментар дали на графиконот се гледа сериски ефект или шаблон.
Овој хеуристички чекор го води остатокот од анализата: подобро е да се фати рано отскокнување отколку да се трошат месеци на лажен резултат.
Податоци за една ќелија: нова димензија
Во последниве години, едноклеточното секвенционирање на РНК (едноклеточна РНК-сек: мерење на профилот на изразување на илјадници поединечни клетки) стана широко распространето. Овде податоците стануваат уште поголеми: десетици илјади клетки, илјадници гени секоја од нив. Алатките како што е Scanpy (Python) ги обработуваат овие податоци; групира клетки и ги идентификува типовите на клетките. ВИ го пишува кодот за овој работен тек, но биолошката номенклатура на типови на клетки (без разлика дали кластерот е „Т-клетка“ или „макрофаг“) се потпира на гените на маркерите и стручното знаење. Погрижете се да ја потврдите ознаката за типот на ќелијата што моделот ја доделува на кластер со познати маркери; Ова е најчесто погрешно разбраниот чекор во анализата на една клетка.
Отворени податоци и репродуктивност
Повеќето omics студии ги поставуваат своите податоци во јавни складишта: GEO (Gene Expression Omnibus) и ArrayExpress за генска експресија, SRA (Sequence Read Archive) за необработени секвенци, PRIDE за протеомика. Ова е критично за другите да можат да ги потврдат вашите резултати и за да можете повторно да ги анализирате податоците од други студии. Вештачката интелигенција може да напише код (со алатки како GEOparse) што презема и организира податоци од регистарски број на GEO (на пр. GSE број); Но, задолжително прочитајте го и потврдете го дизајнот на податоците што сте ги презеле (колку групи, колку повторувања, кој процес) од оригиналниот запис. Ако моделот тврди дека „се сеќава“ на дизајнот на студијата, ова е скоро секогаш претпоставка што треба да се потврди.
Сумирано
Податоците на Omics мерат илјадници променливи во мала големина на примерокот; Ова создава замки на повеќекратни споредби, сериски ефекти и прекумерно толкување. Вештачка интелигенција; Го пишува кодот за анализа на диференцијални изрази, ги објаснува концептите и ви помага да ги интерпретирате резултатите. Сепак, ваша одговорност е да ја примените FDR корекцијата, да ја процените големината на ефектот и да го избегнувате јазикот на каузалноста. Кандидатите гени се хипотези додека не се потврдат со независен метод.
Задача за апликација
Добијте или креирајте примерок со резултати од табела со диференцијални изрази (ген, log2FC, padj). Напишете го кодот со вештачка интелигенција што се филтрира според FDR<0.05 и |log2FC|>1, го известува бројот на значајни гени и исцртува графикон на вулкан. Стартувај го кодот. Потоа, моделот нека пресмета колку гени би изгледале „значајни“ доколку корекцијата не била направена и да ја протолкува разликата.
листа за проверка
- [ ] Применив корекција на повеќекратна споредба (FDR).
- Ја оценив големината на ефектот (log2FC) како и [ ] p-вредноста.
- [ ] Ги проверив сериските/техничките променливи.
- [ ] Не го прескокнав чекорот за нормализација.
- [ ] Го користев јазикот на корелација наместо каузалност.
- [ ] Ги означив кандидатските гени како хипотези кои треба да се потврдат.