ഒമിക്സ് ഡാറ്റയും ഹൈ ഡൈമൻഷണൽ അനാലിസിസും

നേട്ടങ്ങൾ:

• ഒന്നിലധികം താരതമ്യ പ്രശ്നം മനസിലാക്കാനും വിശകലനത്തിൽ FDR (തെറ്റായ കണ്ടെത്തൽ നിരക്ക്) തിരുത്തൽ ഉൾപ്പെടുത്താനുമുള്ള കഴിവ്
• പി-മൂല്യവും ഇഫക്റ്റ് വലുപ്പവും (ലോഗ് 2 മടങ്ങ് മാറ്റം) ഒരുമിച്ച് വിലയിരുത്തുന്നതിലൂടെ സ്റ്റാറ്റിസ്റ്റിക്കൽ, ബയോളജിക്കൽ പ്രാധാന്യം എന്നിവ വേർതിരിച്ചറിയാനുള്ള കഴിവ്
• ബാച്ച് ഇഫക്‌റ്റ്, കോസാലിറ്റി ജമ്പ് തുടങ്ങിയ ഹൈ-ഡൈമൻഷണൽ ഡാറ്റ ട്രാപ്പുകൾ തിരിച്ചറിയാനും ഒഴിവാക്കാനുമുള്ള കഴിവ്

"ഓമിക്സ്" എന്ന വാക്ക് ഒരു സെല്ലിലെ മുഴുവൻ തരം തന്മാത്രകളെയും അളക്കുന്ന സമീപനങ്ങളെ വിവരിക്കുന്നു: ജീനോമിക്സ് (എല്ലാ ഡിഎൻഎ), ട്രാൻസ്ക്രിപ്റ്റോമിക്സ് (എല്ലാ ആർഎൻഎ / ജീൻ എക്സ്പ്രഷനും), പ്രോട്ടിയോമിക്സ് (എല്ലാ പ്രോട്ടീനുകളും), മെറ്റബോളമിക്സ് (എല്ലാ ചെറിയ തന്മാത്രകളും). ഈ അളവുകളുടെ പൊതുവായ സവിശേഷത അവയുടെ ഉയർന്ന അളവാണ്: ആയിരക്കണക്കിന് അല്ലെങ്കിൽ പതിനായിരക്കണക്കിന് വേരിയബിളുകൾ (ജീനുകൾ, പ്രോട്ടീനുകൾ) ഒരു സാമ്പിളിൽ ഒരേസമയം അളക്കുന്നു, എന്നാൽ സാമ്പിളുകളുടെ എണ്ണം സാധാരണയായി ചെറുതാണ് (ഉദാ. 20 രോഗികൾ). ഈ "പല വേരിയബിളുകൾ, കുറച്ച് സാമ്പിളുകൾ" സാഹചര്യം ജീവശാസ്ത്രത്തിനും AI ഏറ്റവും സഹായകരമാകുന്ന മേഖലകൾക്കും മാത്രമുള്ള വെല്ലുവിളികളുടെ ഉറവിടമാണ്.

ഈ യൂണിറ്റിൽ, ഡിഫറൻഷ്യൽ എക്സ്പ്രഷൻ വിശകലനം (രണ്ട് ഗ്രൂപ്പുകൾക്കിടയിൽ എക്സ്പ്രഷൻ ഗണ്യമായി മാറുന്ന ജീനുകൾ കണ്ടെത്തൽ), ട്രാൻസ്ക്രിപ്റ്റോമിക്സ് (RNA-seq) ഉദാഹരണത്തിലൂടെ ഈ വർക്ക്ഫ്ലോയിൽ കൃത്രിമ ബുദ്ധിയുടെ പങ്ക് എന്നിവ ഞങ്ങൾ ചർച്ച ചെയ്യും.

ഉയർന്ന അളവിലുള്ള ഡാറ്റയുടെ പ്രധാന പ്രശ്നം

നിങ്ങൾ ഒരേസമയം ആയിരക്കണക്കിന് ജീനുകൾ പരീക്ഷിച്ചാൽ, യഥാർത്ഥ വ്യത്യാസങ്ങൾ ഇല്ലെങ്കിൽപ്പോലും, യാദൃശ്ചികമായി "പ്രാധാന്യമുള്ളത്" എന്ന് തോന്നുന്ന ജീനുകൾ നിങ്ങൾ കണ്ടെത്തും. 5% മാർജിൻ പിശകുള്ള 20,000 ജീനുകൾ നിങ്ങൾ പരീക്ഷിക്കുകയാണെങ്കിൽ, ~1,000 ജീനുകൾ യാദൃശ്ചികമായി "പ്രാധാന്യമുള്ളത്" ആയി മാറിയേക്കാം. ഇതിനെ ഒന്നിലധികം താരതമ്യ പ്രശ്നം എന്ന് വിളിക്കുന്നു, ഇത് ഓമിക്സ് വിശകലനത്തിൻ്റെ ഏറ്റവും നിർണായകമായ പോരായ്മയാണ്. പി-മൂല്യങ്ങൾ ശരിയാക്കുക എന്നതാണ് പരിഹാരം (ഉദാ. FDR കണക്കാക്കുക - ബെഞ്ചമിനി-ഹോച്ച്ബെർഗ് രീതി ഉപയോഗിച്ച് തെറ്റായ കണ്ടെത്തൽ നിരക്ക്). ഈ ആശയം വിശദീകരിക്കുന്നതിനും ശരിയായ കോഡ് എഴുതുന്നതിനും AI വളരെ സഹായകരമാണ്; എന്നാൽ തിരുത്തൽ പ്രയോഗിക്കാൻ ഓർമ്മിക്കേണ്ടത് നിങ്ങളുടെ ഉത്തരവാദിത്തമാണ്.

നുറുങ്ങ്: ഒരു ഓമിക്സ് ഫലത്തിൽ "3,000 ജീനുകൾ ഗണ്യമായി മാറിയിരിക്കുന്നു" പോലെയുള്ള ഒരു സംഖ്യ നിങ്ങൾ കാണുകയാണെങ്കിൽ, പരിഭ്രാന്തരാകുക. ഒന്നിലധികം താരതമ്യ തിരുത്തലുകൾ നടത്തിയിട്ടില്ല എന്നതിൻ്റെ സൂചനയാണിത്. ഒരു റിയലിസ്റ്റിക് ലിസ്റ്റ് നന്നായി രൂപകല്പന ചെയ്ത പരീക്ഷണത്തിൽ പതിനായിരക്കണക്കിന് നൂറുകണക്കിന് ജീനുകൾ ആയിരിക്കും.

RNA-seq ഡിഫറൻഷ്യൽ എക്സ്പ്രഷൻ: ഘട്ടം ഘട്ടമായി

1. അസംസ്‌കൃത എണ്ണങ്ങൾ: ഓരോ ജീനിനും ഓരോ സാമ്പിളിലും എത്ര റീഡുകൾ വീണു എന്നുള്ള പട്ടിക.
2. ഗുണനിലവാരവും ഫിൽട്ടറിംഗും: വളരെ കുറഞ്ഞ എക്സ്പ്രഷനുള്ള ജീനുകൾ ഉപേക്ഷിക്കുക.
3. നോർമലൈസേഷൻ: സാമ്പിളുകൾ തമ്മിലുള്ള ശരിയായ ലൈബ്രറി വലുപ്പ വ്യത്യാസം (ബ്രൂട്ട് നമ്പർ താരതമ്യപ്പെടുത്താനാവില്ല).
4. സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡൽ: പൈത്തണിൽ DESeq2 അല്ലെങ്കിൽ എഡ്ജ്ആർ (R ലൈബ്രറികൾ) അല്ലെങ്കിൽ pyDESeq2 ഉപയോഗിച്ച് ഗ്രൂപ്പ് വ്യത്യാസം പരിശോധിക്കുക.
5. ഒന്നിലധികം താരതമ്യ തിരുത്തൽ: FDR കണക്കാക്കുക; സാധാരണയായി FDR <0.05 ൻ്റെ ഒരു പരിധി.
6. ഇഫക്റ്റ് സൈസ്: ലോഗ്2 ഫോൾഡ് മാറ്റം ഉപയോഗിച്ച് വിലയിരുത്തുക: എക്സ്പ്രഷൻ എത്ര തവണ കൂടുന്നു/കുറക്കുന്നു.
7. അഭിപ്രായം: ജീവശാസ്ത്രപരമായ പാതകളുമായി സുപ്രധാന ജീനുകളെ ബന്ധപ്പെടുത്തുക.

കൃത്രിമബുദ്ധി 3-6. ഇത് ഘട്ടങ്ങൾ കോഡ് ചെയ്യുന്നു, ആശയങ്ങൾ വിശദീകരിക്കുന്നു, ഔട്ട്പുട്ട് വ്യാഖ്യാനിക്കാൻ നിങ്ങളെ സഹായിക്കുന്നു. എന്നിരുന്നാലും, നിങ്ങളുടെ റോ ഡാറ്റ കാണാതെ "ഏത് ജീൻ മാറി" എന്ന് മോഡലിന് പറയാൻ കഴിയില്ല; കോഡും സ്ഥിതിവിവരക്കണക്കുകളും ഇത് നിങ്ങളോട് പറയുന്നു.

പകർത്താവുന്ന പ്രോംപ്റ്റ് ടെംപ്ലേറ്റുകൾ

റോൾ: നിങ്ങളാണ് ട്രാൻസ്ക്രിപ്റ്റോമിക് അനാലിസിസ് അസിസ്റ്റൻ്റ്. സന്ദർഭം: 12 കൺട്രോൾ, 12 ട്രീറ്റ്മെൻ്റ് സാമ്പിളുകളിൽ നിന്നുള്ള ഒരു RNA-seq റോ കൗണ്ട് ടേബിൾ (CSV) എനിക്കുണ്ട്. ടാസ്ക്: pyDESeq2 ഉപയോഗിച്ച് ഡിഫറൻഷ്യൽ എക്സ്പ്രഷൻ വിശകലനത്തിൻ്റെ ഘട്ടങ്ങൾ പട്ടികപ്പെടുത്തുക, ഓരോ ഘട്ടവും ആവശ്യമായിരിക്കുന്നത് എന്തുകൊണ്ടെന്ന് വിശദീകരിക്കുക. ആദ്യം പ്ലാൻ ചെയ്യുക, രണ്ടാമത്തേത് കോഡ് ചെയ്യുക. ഒന്നിലധികം താരതമ്യ തിരുത്തൽ ഉൾപ്പെടുത്തുന്നത് ഉറപ്പാക്കുക.

എൻ്റെ വിശകലന ഔട്ട്‌പുട്ട് 4,200 ജീനുകളെ "p<0.05" ആയി കാണിച്ചു. എന്തുകൊണ്ട് ഇത് സംശയാസ്പദമായേക്കാം? ഒന്നിലധികം താരതമ്യ തിരുത്തൽ (ബെഞ്ചമിനി-ഹോച്ച്ബെർഗ് എഫ്ഡിആർ) വിശദീകരിക്കുകയും ശരിയായ ഫിൽട്ടറിംഗ് നടത്തുന്ന പൈത്തൺ കോഡ് നൽകുകയും ചെയ്യുക.

എൻ്റെ ഡിഫറൻഷ്യൽ എക്‌സ്‌പ്രഷൻ റിസൾട്ട് ടേബിളിൽ നിന്ന് (ജീൻ, ലോഗ്2എഫ്‌സി, പാഡ്‌ജ് കോളങ്ങൾ) ഒരു അഗ്നിപർവ്വത പ്ലോട്ട് വരയ്ക്കുന്ന കോഡ് എഴുതുക. FDR<0.05, |log2FC|>1 എന്നിവ ഉപയോഗിച്ച് ജീനുകൾക്ക് നിറം നൽകുക, ആദ്യ 10 ലേബൽ ചെയ്യുക.

പാത്ത്വേ സമ്പുഷ്ടീകരണത്തിനായുള്ള ഈ സുപ്രധാന ജീൻ ലിസ്റ്റ് ഞാൻ എങ്ങനെ വിശകലനം ചെയ്യും? gseapy അല്ലെങ്കിൽ g:Profiler ഘട്ടങ്ങൾ വിശദീകരിക്കുക. കമൻ്റിൽ കേവലമായ കാര്യകാരണം അവകാശപ്പെടരുത്, പരസ്പര ബന്ധമുള്ള ഭാഷ ഉപയോഗിക്കുക. ജീൻ ലിസ്റ്റ്: [ലിസ്റ്റ്]

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായത്: "ആർഎൻഎ-സെക് വിളവിൽ ഏതൊക്കെ ജീനുകളാണ് പ്രധാനമെന്ന് എന്നോട് പറയൂ."

ശക്തമായത്: "എനിക്ക് 12 കൺട്രോൾ, 12 ചികിത്സാ സാമ്പിളുകൾ എന്നിവയിൽ നിന്ന് pyDESeq2 ഔട്ട്‌പുട്ട് ഉണ്ട്: ജീൻ ഉള്ള പട്ടിക, log2FoldChange, padj നിരകൾ. FDR<0.05, |log2FC|>1 എന്നിവയുടെ ത്രെഷോൾഡുകളുള്ള സുപ്രധാന ജീനുകളെ ഫിൽട്ടർ ചെയ്യുന്ന കോഡ് നൽകുക, അവയുടെ സംഖ്യകൾ റിപ്പോർട്ടുചെയ്യുന്നു, കൂടാതെ ഈ ജീനുകളുടെ വലുപ്പം 20-ൻ്റെ വലിപ്പം അനുസരിച്ച് വിശദീകരിക്കുകയും ചെയ്യുന്നു. ന്യായമായ."

വ്യത്യാസം: ശക്തമായ പ്രോംപ്റ്റിൽ യഥാർത്ഥ ഔട്ട്‌പുട്ട് കോളങ്ങളും പരിധികളും മൂല്യനിർണ്ണയ അഭ്യർത്ഥനയും ഉണ്ട്. ഒരു നിർമ്മിത ജീൻ നാമം സൃഷ്ടിക്കുന്നതിനുപകരം മോഡൽ നിങ്ങളുടെ ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നു.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 — തിരുത്തലില്ലാത്ത ദുരന്തം: ഒരു സംഘം p<0.05 ഉള്ള 3,800 “പ്രധാനപ്പെട്ട” ജീനുകൾ തിരുത്താതെ കണ്ടെത്തി ഒരു പ്രസിദ്ധീകരണത്തിന് സമർപ്പിച്ചു. എഫ്‌ഡിആർ തിരുത്താൻ റഫറി ആവശ്യപ്പെട്ടപ്പോൾ, പട്ടിക 47 ജീനുകളായി കുറഞ്ഞു. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ആദ്യം മുതൽ ബെഞ്ചമിനി-ഹോച്ച്ബെർഗ് കോഡ് ചേർത്തിരുന്നെങ്കിൽ, ഈ നാണക്കേട് ഉണ്ടാകുമായിരുന്നില്ല. പാഠം: തിരുത്തൽ വിലമതിക്കാനാവാത്തതാണ്.

കേസ് 2 - ബാച്ച് ഇഫക്റ്റ്: ഒരു പഠനത്തിൽ, രണ്ട് വ്യത്യസ്ത ദിവസങ്ങളിൽ സാമ്പിളുകൾ പ്രോസസ്സ് ചെയ്തു. "പേഷ്യൻ്റ് വേഴ്സസ് കൺട്രോൾ" വ്യത്യാസമായി അവർ കരുതിയത് യഥാർത്ഥത്തിൽ "ഒന്നാം ദിവസം, രണ്ടാം ദിവസം" വ്യത്യാസമാണ് (ബാച്ച് ഇഫക്റ്റ്: സാമ്പിൾ പാർട്ടി കാരണം സാങ്കേതിക വ്യത്യാസം). മോഡലിലേക്ക് ബാച്ച് വേരിയബിൾ (മോഡൽ ഫോർമുലയിലെ ~ ബാച്ച് + അവസ്ഥ) ചേർക്കാൻ നിർദ്ദേശിക്കുന്നതിലൂടെ വ്യാജ സിഗ്നലിനെ ഇല്ലാതാക്കാൻ AI സഹായിച്ചു.

കേസ് 3 — ഫോൾഡ് മാറ്റത്തെ അവഗണിക്കുന്നു: ഒരു വിദ്യാർത്ഥി "ഏറ്റവും പ്രധാനപ്പെട്ടത്" ഒരു ജീൻ പ്രഖ്യാപിച്ചു, അതിൻ്റെ ഭാവം 2% മാറിയെങ്കിലും പി-മൂല്യം നോക്കി വളരെ സ്ഥിരതയുള്ളതായി കണക്കാക്കപ്പെട്ടു. ഇഫക്റ്റ് സൈസ് (log2FC) ഏതാണ്ട് പൂജ്യമായിരുന്നു; സ്ഥിതിവിവരക്കണക്ക് പ്രാധാന്യം ജീവശാസ്ത്രപരമായ പ്രാധാന്യമല്ല. മോഡൽ ഈ വ്യത്യാസം വിശദീകരിക്കുകയും അഗ്നിപർവ്വത ഗ്രാഫ് ഉപയോഗിച്ച് ദൃശ്യവൽക്കരിക്കാൻ നിർദ്ദേശിക്കുകയും ചെയ്തു.

താരതമ്യ പട്ടിക: ആശയ വ്യക്തത

ആശയം

അർത്ഥം

എന്തുകൊണ്ട് അത് പ്രധാനമാണ്?

പി-മൂല്യം

വ്യത്യാസത്തിൻ്റെ സാധ്യത യാദൃശ്ചികമാണ്

ഒറ്റയ്ക്ക് തെറ്റിദ്ധരിപ്പിക്കാം

FDR (padj)

ഒന്നിലധികം പരിശോധനകളിലെ പിശക് നിരക്ക്

തെറ്റായ പോസിറ്റീവുകൾ പരിമിതപ്പെടുത്തുന്നു

log2 മടങ്ങ് മാറ്റം

ഇഫക്റ്റ് വലിപ്പം

ജീവശാസ്ത്രപരമായ പ്രാധാന്യം സൂചിപ്പിക്കുന്നു

ബാച്ച് പ്രഭാവം

സാങ്കേതിക ബാച്ച് വ്യത്യാസം

വ്യാജ സിഗ്നൽ ഉണ്ടാക്കുന്നു

നോർമലൈസേഷൻ

ഇൻ്റർ-സാമ്പിൾ സ്കെയിൽ തിരുത്തൽ

താരതമ്യം ന്യായമാക്കുന്നു

സാധാരണ തെറ്റുകൾ

• ഒന്നിലധികം താരതമ്യ തിരുത്തൽ ഒഴിവാക്കുന്നു: ഏറ്റവും സാധാരണവും ഗുരുതരവുമായ തെറ്റ്.
• p-മൂല്യം നോക്കുക: ഇഫക്റ്റ് വലുപ്പം (log2FC) ഒരുമിച്ച് പരിഗണിക്കുന്നത് ഉറപ്പാക്കുക.
• മോഡലിൽ ബാച്ച് ഇഫക്റ്റ് ഉൾപ്പെടുത്തിയിട്ടില്ല: ഒരു സാങ്കേതിക വ്യത്യാസം ജൈവിക വ്യത്യാസമായി തെറ്റിദ്ധരിക്കുന്നു.
• നോർമലൈസേഷൻ മറക്കുന്നു: അസംസ്കൃത സംഖ്യകൾ നേരിട്ട് താരതമ്യം ചെയ്യുന്നു.
• കാര്യകാരണ ഭാഷ: "ഈ ജീൻ രോഗത്തിന് കാരണമാകുന്നു" എന്ന് പറയുക; Omics ഡാറ്റ പരസ്പരബന്ധം കാണിക്കുന്നു, കാര്യകാരണത്തിന് അധിക പരീക്ഷണം ആവശ്യമാണ്.

മുന്നറിയിപ്പ്: ഉയർന്ന അളവിലുള്ള ഡാറ്റയിൽ, "സ്ഥിതിവിവരക്കണക്കിന് പ്രാധാന്യം", "ജൈവശാസ്ത്രപരമായി പ്രാധാന്യം" എന്നിവ രണ്ട് വ്യത്യസ്ത കാര്യങ്ങളാണ്. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് നിർമ്മിച്ച ജീൻ ലിസ്റ്റ് ഒരു പ്രാരംഭ സിദ്ധാന്തമാണ്; ഓരോ കാൻഡിഡേറ്റ് ജീനും സ്വതന്ത്രമായ രീതി (qPCR, പ്രോട്ടീൻ അളവ്) വഴി പരിശോധിക്കാതെ തന്നെ നിർണായകമായി കണക്കാക്കരുത്.

വലിപ്പം കുറയ്ക്കലും ഗുണനിലവാര നിയന്ത്രണവും

ഉയർന്ന അളവിലുള്ള ഡാറ്റയിൽ ആദ്യം ചെയ്യേണ്ടത് സാമ്പിളുകളുടെ പൊതുവായ ഘടന കാണുക എന്നതാണ്. പിസിഎ (പ്രിൻസിപ്പൽ കോംപോണൻ്റ് അനാലിസിസ്: ആയിരക്കണക്കിന് വേരിയബിളുകളെ കുറച്ച് സംഗ്രഹ അക്ഷങ്ങളാക്കി 2 ഡയമൻഷനുകളിൽ പ്രദർശിപ്പിക്കുക) ആണ് ഇതിനുള്ള സ്റ്റാൻഡേർഡ് ടൂൾ. നിങ്ങൾ പ്രതീക്ഷിക്കുന്ന ഗ്രൂപ്പുകൾ (നിയന്ത്രണം/ചികിത്സ) പിസിഎ ചാർട്ടിൽ വേർതിരിക്കുകയാണെങ്കിൽ, അത് നല്ലതാണ്; എന്നാൽ സാമ്പിളുകൾ ഗ്രൂപ്പിനേക്കാൾ "ഡേ പ്രോസസ്ഡ്" പ്രകാരമാണ് ക്ലസ്റ്റർ ചെയ്തതെങ്കിൽ, ഇതൊരു ബാച്ച് ഇഫക്റ്റ് മുന്നറിയിപ്പാണ്. അതേ ചാർട്ട് ഉടനടി ഒരൊറ്റ ഔട്ട്‌ലിയർ (പരാജയപ്പെട്ട) ഉദാഹരണം കാണിക്കുന്നു.

എൻ്റെ നോർമലൈസ്ഡ് എക്സ്പ്രഷൻ ടേബിളിൽ നിന്ന് PCA വരയ്ക്കുക (വരി ജീൻ, കോളം സാമ്പിൾ). ഗ്രൂപ്പ് പ്രകാരം കളർ സാമ്പിളുകൾ (നിയന്ത്രണം/ചികിത്സ), പ്രോസസ്സിംഗ് ബാച്ച് വഴി ആകൃതി. ഗ്രാഫിൽ ഒരു ബാച്ച് ഇഫക്റ്റ് അല്ലെങ്കിൽ ഔട്ട്‌ലിയർ പാറ്റേൺ കാണുന്നുണ്ടോ എന്നതിനെ കുറിച്ച് കമൻ്റ് ചെയ്യുക.

ഈ ഹ്യൂറിസ്റ്റിക് ഘട്ടം വിശകലനത്തിൻ്റെ ബാക്കി ഭാഗങ്ങളെ നയിക്കുന്നു: വ്യാജമായ ഫലത്തിനായി മാസങ്ങൾ പാഴാക്കുന്നതിനേക്കാൾ ഒരു ഔട്ട്‌ലൈയറിനെ നേരത്തെ പിടിക്കുന്നതാണ് നല്ലത്.

സിംഗിൾ സെൽ ഡാറ്റ: ഒരു പുതിയ മാനം

സമീപ വർഷങ്ങളിൽ, സിംഗിൾ-സെൽ RNA സീക്വൻസിങ് (സിംഗിൾ-സെൽ RNA-seq: ആയിരക്കണക്കിന് വ്യക്തിഗത സെല്ലുകളുടെ എക്സ്പ്രഷൻ പ്രൊഫൈൽ അളക്കുന്നത്) വ്യാപകമായി. ഇവിടെ ഡാറ്റ കൂടുതൽ വലുതാകുന്നു: പതിനായിരക്കണക്കിന് സെല്ലുകൾ, ആയിരക്കണക്കിന് ജീനുകൾ ഓരോന്നും. Scanpy (Python) പോലുള്ള ഉപകരണങ്ങൾ ഈ ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നു; കോശങ്ങളെ കൂട്ടുകയും കോശ തരങ്ങളെ തിരിച്ചറിയുകയും ചെയ്യുന്നു. ഈ വർക്ക്ഫ്ലോയ്‌ക്കായി AI കോഡ് എഴുതുന്നു, എന്നാൽ സെൽ തരങ്ങളുടെ ജൈവ നാമകരണം (ഒരു ക്ലസ്റ്റർ ഒരു "T സെൽ" അല്ലെങ്കിൽ "മാക്രോഫേജ്" ആണെങ്കിലും) മാർക്കർ ജീനുകളെയും വിദഗ്ദ്ധ പരിജ്ഞാനത്തെയും ആശ്രയിച്ചിരിക്കുന്നു. അറിയപ്പെടുന്ന മാർക്കറുകളുള്ള ഒരു ക്ലസ്റ്ററിലേക്ക് മോഡൽ അസൈൻ ചെയ്യുന്ന സെൽ തരം ലേബൽ സ്ഥിരീകരിക്കുന്നത് ഉറപ്പാക്കുക; ഏകകോശ വിശകലനത്തിലെ ഏറ്റവും സാധാരണയായി തെറ്റിദ്ധരിക്കപ്പെട്ട ഘട്ടമാണിത്.

തുറന്ന ഡാറ്റയും പുനരുൽപാദനക്ഷമതയും

മിക്ക ഒമിക്‌സ് പഠനങ്ങളും അവരുടെ ഡാറ്റ പബ്ലിക് റിപ്പോസിറ്ററികളിലേക്ക് അപ്‌ലോഡ് ചെയ്യുന്നു: ജിയോ (ജീൻ എക്‌സ്‌പ്രഷൻ ഓമ്‌നിബസ്), ജീൻ എക്‌സ്‌പ്രെസ്‌സിനായി അറേഎക്‌സ്‌പ്രസ്, റോ സീക്വൻസുകൾക്കായി എസ്ആർഎ (സീക്വൻസ് റീഡ് ആർക്കൈവ്), പ്രോട്ടിയോമിക്‌സിനായി പ്രൈഡ്. ഇത് നിർണായകമായതിനാൽ മറ്റുള്ളവർക്ക് നിങ്ങളുടെ ഫലങ്ങൾ പരിശോധിക്കാനും മറ്റ് പഠനങ്ങളിൽ നിന്നുള്ള ഡാറ്റ നിങ്ങൾക്ക് പുനർവിശകലനം ചെയ്യാനുമാകും. ജിയോ രജിസ്ട്രേഷൻ നമ്പറിൽ നിന്ന് (ഉദാ. ജിഎസ്ഇ നമ്പർ) ഡാറ്റ ഡൗൺലോഡ് ചെയ്യുകയും ഓർഗനൈസ് ചെയ്യുകയും ചെയ്യുന്ന കോഡ് (ജിയോപാർസ് പോലുള്ള ഉപകരണങ്ങൾ ഉപയോഗിച്ച്) എഐക്ക് എഴുതാനാകും; എന്നാൽ നിങ്ങൾ ഡൗൺലോഡ് ചെയ്ത ഡാറ്റയുടെ ഡിസൈൻ (എത്ര ഗ്രൂപ്പുകൾ, എത്ര ആവർത്തനങ്ങൾ, ഏത് പ്രോസസ്സ്) യഥാർത്ഥ റെക്കോർഡിൽ നിന്ന് വായിച്ച് സ്ഥിരീകരിക്കുന്നത് ഉറപ്പാക്കുക. ഒരു പഠനത്തിൻ്റെ രൂപകൽപ്പന "ഓർക്കുക" എന്ന് മോഡൽ അവകാശപ്പെടുന്നുവെങ്കിൽ, ഇത് എല്ലായ്പ്പോഴും സ്ഥിരീകരിക്കേണ്ട ഒരു ഊഹമാണ്.

ചുരുക്കത്തിൽ

ഒമിക്സ് ഡാറ്റ ഒരു ചെറിയ സാമ്പിൾ വലുപ്പത്തിൽ ആയിരക്കണക്കിന് വേരിയബിളുകൾ അളക്കുന്നു; ഇത് ഒന്നിലധികം താരതമ്യങ്ങൾ, ബാച്ച് ഇഫക്റ്റുകൾ, അമിതവ്യാഖ്യാനം എന്നിവയുടെ കെണികൾ സൃഷ്ടിക്കുന്നു. നിർമ്മിത ബുദ്ധി; ഇത് ഡിഫറൻഷ്യൽ എക്സ്പ്രഷൻ വിശകലനത്തിനുള്ള കോഡ് എഴുതുന്നു, ആശയങ്ങൾ വിശദീകരിക്കുന്നു, ഫലങ്ങൾ വ്യാഖ്യാനിക്കാൻ നിങ്ങളെ സഹായിക്കുന്നു. എന്നിരുന്നാലും, FDR തിരുത്തൽ പ്രയോഗിക്കുക, ഇഫക്റ്റ് വലുപ്പം വിലയിരുത്തുക, കാര്യകാരണ ഭാഷ ഒഴിവാക്കുക എന്നിവ നിങ്ങളുടെ ഉത്തരവാദിത്തമാണ്. സ്വതന്ത്രമായ രീതി ഉപയോഗിച്ച് പരിശോധിക്കുന്നത് വരെ കാൻഡിഡേറ്റ് ജീനുകൾ അനുമാനങ്ങളാണ്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു സാമ്പിൾ ഡിഫറൻഷ്യൽ എക്സ്പ്രഷൻ ഫലങ്ങളുടെ പട്ടിക (gen, log2FC, padj) നേടുക അല്ലെങ്കിൽ സൃഷ്ടിക്കുക. FDR<0.05, |log2FC|>1 എന്നിവ ഉപയോഗിച്ച് ഫിൽട്ടർ ചെയ്യുന്ന, പ്രധാനപ്പെട്ട ജീനുകളുടെ എണ്ണം റിപ്പോർട്ടുചെയ്യുകയും ഒരു അഗ്നിപർവ്വത ഗ്രാഫ് പ്ലോട്ട് ചെയ്യുകയും ചെയ്യുന്ന AI റൈറ്റ് കോഡ് കൈവശം വയ്ക്കുക. കോഡ് പ്രവർത്തിപ്പിക്കുക. തിരുത്തൽ വരുത്തിയില്ലെങ്കിൽ എത്ര ജീനുകൾ "പ്രധാനമായി" ദൃശ്യമാകുമെന്ന് മോഡൽ കണക്കാക്കുകയും വ്യത്യാസം വ്യാഖ്യാനിക്കുകയും ചെയ്യുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ഒന്നിലധികം താരതമ്യ തിരുത്തൽ (FDR) പ്രയോഗിച്ചു.
• ഞാൻ ഇഫക്റ്റ് വലുപ്പവും (log2FC) കൂടാതെ [ ] p-വാല്യൂവും വിലയിരുത്തി.
• [ ] ഞാൻ ബാച്ച്/ടെക്‌നിക്കൽ വേരിയബിളുകൾ പരിശോധിച്ചു.
• [ ] ഞാൻ നോർമലൈസേഷൻ ഘട്ടം ഒഴിവാക്കിയില്ല.
• [ ] കാര്യകാരണബന്ധത്തേക്കാൾ പരസ്പരബന്ധത്തിൻ്റെ ഭാഷയാണ് ഞാൻ ഉപയോഗിച്ചത്.
• [ ] ഞാൻ കാൻഡിഡേറ്റ് ജീനുകളെ സ്ഥിരീകരിക്കേണ്ട അനുമാനങ്ങളായി അടയാളപ്പെടുത്തി.