Qligħ:
- Kapaċità li tifhem il-problema ta 'tqabbil multiplu u tinkludi korrezzjoni FDR (rata ta' skoperta falza) fl-analiżi
- Kapaċità li tiddistingwi s-sinifikat statistiku u bijoloġiku billi tevalwa l-valur p u d-daqs tal-effett (bidla log2 darbiet) flimkien
- Kapaċità li tirrikonoxxi u tevita nases tad-dejta b'dimensjoni għolja bħall-effett tal-lott u l-qabża tal-kawżalità
Il-kelma "omics" tiddeskrivi approċċi li jkejlu klassi sħiħa ta 'molekuli f'ċellula: ġenomika (kollha DNA), traskriptomika (kollha RNA / espressjoni tal-ġeni), proteomika (il-proteini kollha), metabolomika (kollha molekuli żgħar). Il-karatteristika komuni ta 'dan il-kejl hija d-dimensjoni għolja tagħhom: eluf jew saħansitra għexieren ta' eluf ta 'varjabbli (ġeni, proteini) huma mkejla simultanjament f'kampjun wieħed, iżda n-numru ta' kampjuni huwa ġeneralment żgħir (eż. 20 pazjent). Din is-sitwazzjoni ta’ “ħafna varjabbli, ftit kampjuni” hija s-sors ta’ sfidi uniċi għall-bijoloġija u l-oqsma fejn l-AI tista’ tkun l-aktar ta’ għajnuna.
F'din l-unità, ser niddiskutu analiżi ta 'espressjoni differenzjali (sejba ta' ġeni li l-espressjoni tagħhom tinbidel b'mod sinifikanti bejn żewġ gruppi) u r-rwol ta 'intelliġenza artifiċjali f'dan il-fluss tax-xogħol permezz tal-eżempju ta' transcriptomics (RNA-seq).
Il-problema ewlenija ta 'dejta ta' dimensjoni għolja
Jekk tittestja eluf ta’ ġeni f’daqqa, issib ġeni li jidhru “sinifikanti” b’kumbinazzjoni, anki jekk ma jkunx hemm differenzi reali. Jekk tittestja 20,000 ġene b'marġni ta 'żball ta' 5%, ~ 1,000 ġene jistgħu jirriżultaw li huma "sinifikanti" b'kumbinazzjoni. Din tissejjaħ il-problema tat-tqabbil multiplu u hija l-iżjed nasa kritika tal-analiżi omics. Is-soluzzjoni hija li tikkoreġi l-valuri p (eż. ikkalkula FDR - rata ta 'skoperta falza bil-metodu Benjamini-Hochberg). L-AI hija utli ħafna biex tispjega dan il-kunċett u tikteb il-kodiċi t-tajjeb; iżda hija r-responsabbiltà tiegħek li tiftakar li tapplika l-korrezzjoni.
Tip: Jekk tara numru bħal "3,000 ġene mibdula b'mod sinifikanti" f'riżultat omics, kun allarmat. Dan ġeneralment ikun sinjal li ma tkunx saret korrezzjoni ta' tqabbil multiplu. Lista realistika tkun minn għexieren sa diversi mijiet ta' ġeni f'esperiment imfassal tajjeb.
Espressjoni differenzjali RNA-seq: pass pass
- Għadd mhux ipproċessat: Tabella li fiha kemm qari waqgħu f'kull kampjun għal kull ġene.
- Kwalità u filtrazzjoni: Armi ġeni b'espressjoni baxxa ħafna.
- Normalizzazzjoni: Id-differenza korretta fid-daqs tal-librerija bejn il-kampjuni (numru brut mhux komparabbli).
- Mudell statistiku: Differenza tal-grupp tat-test b'DESeq2 jew edgeR (libreriji R) jew pyDESeq2 f'Python.
- Korrezzjoni ta 'tqabbil multiplu: Ikkalkula FDR; normalment limitu ta' FDR < 0.05.
- Daqs tal-effett: Evalwa bil-bidla log2 darbiet: kemm-il darba l-espressjoni tiżdied/jonqos.
- Kumment: Assoċja ġeni sinifikanti ma' mogħdijiet bijoloġiċi.
Intelliġenza artifiċjali 3-6. Jikkodifika l-passi, jispjega l-kunċetti, u jgħinek tinterpreta l-output. Madankollu, il-mudell ma jistax jgħid "liema ġene nbidel" mingħajr ma jara d-dejta mhux ipproċessata tiegħek; Il-kodiċi u l-istatistika jgħidulek dan.
Mudelli fil-pront kopjabbli
Rwol: Int l-assistent tal-analiżi traskrittomika. Kuntest: Għandi RNA-seq raw count table (CSV) minn 12-il kontroll, 12-il kampjun ta 'trattament. Kompitu: Elenka l-passi tal-analiżi tal-espressjoni differenzjali b'pyDESeq2, spjega għaliex kull pass huwa meħtieġ. L-ewwel pjan, it-tieni kodiċi. Kun żgur li tinkludi korrezzjoni ta' tqabbil multiplu.
L-output tal-analiżi tiegħi wera 4,200 ġeni bħala "p<0.05". Għaliex dan jista 'jkun suspettuż? Spjega l-korrezzjoni tat-tqabbil multiplu (Benjamini-Hochberg FDR) u agħti kodiċi Python li jagħmel il-filtrazzjoni korretta.
Ikteb kodiċi li jiġbed plot vulkan mit-tabella tar-riżultat tal-espressjoni differenzjali tiegħi (ġene, log2FC, kolonni padj). Ikkulurit il-ġeni b'FDR<0.05 u |log2FC|>1, immarka l-aqwa 10.
Kif nanalizza din il-lista sinifikanti tal-ġeni għall-arrikkiment tal-mogħdija? Spjega l-passi gseapy jew g:Profiler. Tippretendix kawżalità assoluta fil-kumment, uża lingwaġġ ta 'korrelazzjoni. Lista tal-ġeni: [lista]
Pront dgħajjef / Pront qawwi
Dgħajjef: "Għidli liema ġeni huma importanti fir-rendiment ta 'RNA-seq."
Qawwija: "Għandi output pyDESeq2 minn 12-il kontroll, 12-il kampjun ta' trattament: tabella b'ġene, log2FoldChange, kolonni padj. Agħti kodiċi li tiffiltra ġeni sinifikanti b'limiti ta' FDR<0.05 u |log2FC|>1, tirrapporta n-numri tagħhom, u tikklassifika l-20 ġenes b'saħħithom.
Differenza: Il-pront b'saħħtu għandu kolonni tal-output attwali, limiti u talba ta 'validazzjoni. Il-mudell jipproċessa d-dejta tiegħek minflok ma jiġġenera isem tal-ġene magħmul.
tliet każijiet żgħar
Każ 1 — Diżastru mingħajr korrezzjoni: Grupp sab 3,800 ġeni "sinifikanti" b'p<0.05 mingħajr korrezzjoni u ssottomettuh għal pubblikazzjoni. Meta r-referee talab għall-korrezzjoni tal-FDR, il-lista niżlet għal 47 ġene. Kieku l-intelliġenza artifiċjali kienet żiedet il-kodiċi Benjamini-Hochberg mill-bidu, dan l-imbarazzament ma kienx iseħħ. Lezzjoni: il-korrezzjoni mhix negozjabbli.
Każ 2 — Effett tal-lott: Fi studju wieħed, il-kampjuni ġew ipproċessati f'jumejn differenti. Dak li ħasbu li kienet differenza "pazjent vs kontroll" kienet fil-fatt differenza "l-ewwel jum vs. it-2 jum" (effett tal-lott: differenza teknika minħabba l-parti tat-teħid tal-kampjuni). L-AI għenet biex tneħħi s-sinjal falz billi tissuġġerixxi li żżid il-varjabbli tal-lott mal-mudell (~ lott + kundizzjoni fil-formula tal-mudell).
Każ 3 — Injora l-bidla tat-tinja: Student iddikjara "l-aktar importanti" ġene li l-espressjoni tiegħu nbidlet bi 2% iżda tkejjel li kien stabbli ħafna, sempliċement billi ħares lejn il-valur p. Billi d-daqs tal-effett (log2FC) kien kważi żero; is-sinifikat statistiku mhuwiex sinifikat bijoloġiku. Il-mudell spjega din id-distinzjoni u ssuġġerixxa li tiġi viżwalizzazzjoni b'graff tal-vulkan.
Tabella ta 'tqabbil: ċarezza tal-kunċett
kunċett
Tifsira
Għaliex huwa importanti?
valur p
Il-probabbiltà li d-differenza tkun koinċidenza
waħdu jista’ jkun qarrieqi
FDR (padj)
Ir-rata ta' żball ikkoreġuta f'testijiet multipli
Limita pożittivi foloz
log2 darbiet bidla
Daqs tal-effett
Jindika sinifikat bijoloġiku
effett tal-lott
Differenza teknika tal-lott
Joħloq sinjal falz
normalizzazzjoni
Korrezzjoni tal-iskala bejn il-kampjuni
Jagħmel paragun ġust
Żbalji komuni
- Taqbeż il-korrezzjoni tat-tqabbil multiplu: L-iktar żball komuni u l-aktar serju.
- Ħarsa biss lejn il-valur p: Kun żgur li tikkunsidra d-daqs tal-effett (log2FC) flimkien.
- Mhux inkluż l-effett tal-lott fil-mudell: Tfixkel differenza teknika għal differenza bijoloġika.
- Jinsa n-normalizzazzjoni: Tqabbil ta' numri mhux maħduma direttament.
- Lingwa kawżali: Tgħid "Dan il-ġene jikkawża l-mard"; Id-dejta Omics turi korrelazzjoni, il-kawżalità teħtieġ esperimentazzjoni addizzjonali.
Attenzjoni: F'dejta ta' dimensjoni għolja, "statistikament sinifikanti" u "bijoloġikament sinifikanti" huma żewġ affarijiet differenti. Il-lista tal-ġeni prodotta mill-intelliġenza artifiċjali hija ipoteżi inizjali; Kull ġene kandidat m'għandux jitqies definittiv mingħajr verifika b'metodu indipendenti (qPCR, kejl tal-proteini).
Tnaqqis tad-daqs u kontroll tal-kwalità
L-ewwel ħaġa li għandek tagħmel fid-dejta ta 'dimensjoni għolja hija li tara l-istruttura ġenerali tal-kampjuni. PCA (analiżi tal-komponenti prinċipali: tnaqqis ta 'eluf ta' varjabbli fi ftit assi sommarji u wirihom f'2 dimensjonijiet) hija l-għodda standard għal dan. Jekk il-gruppi li tistenna (kontroll/trattament) huma separati fil-grafika tal-PCA, huwa tajjeb; imma jekk il-kampjuni huma miġbura minn "jum ipproċessat" aktar milli bil-grupp, din hija twissija ta 'effett ta' lott. L-istess chart turi wkoll immedjatament eżempju wieħed outlier (fallut).
Iġbed PCA mit-tabella ta' espressjoni normalizzata tiegħi (ġene ta' ringiela, kampjun tal-kolonna). Kampjuni tal-kulur skont il-grupp (kontroll/trattament), għamla skont il-lott tal-ipproċessar. Ikkummenta dwar jekk effett tal-lott jew mudell outlier tidhirx fil-graff.
Dan il-pass euristiku jmexxi l-bqija tal-analiżi: huwa aħjar li taqbad outlier kmieni milli taħli xhur fuq riżultat falz.
Data ta' ċellula waħda: dimensjoni ġdida
F'dawn l-aħħar snin, is-sekwenzjar ta 'RNA ta' ċellula waħda (RNA-seq ta 'ċellula waħda: kejl tal-profil ta' espressjoni ta 'eluf ta' ċelluli individwali) sar mifrux. Hawnhekk id-dejta ssir saħansitra akbar: għexieren ta 'eluf ta' ċelloli, eluf ta 'ġeni kull wieħed. Għodod bħal Scanpy (Python) jipproċessaw din id-dejta; jiġbor ċelluli u jidentifika tipi ta 'ċelluli. L-AI tikteb il-kodiċi għal dan il-fluss tax-xogħol, iżda n-nomenklatura bijoloġika tat-tipi ta 'ċelluli (kemm jekk cluster huwa "ċellula T" jew "makrofagu") tiddependi fuq ġeni markaturi u għarfien espert. Kun żgur li tikkonferma t-tikketta tat-tip taċ-ċellula li l-mudell jassenja lil cluster b'markaturi magħrufa; Dan huwa l-pass l-aktar komunement ħażin fl-analiżi ta 'ċellula waħda.
Dejta miftuħa u riproduċibbiltà
Ħafna mill-istudji omics itellgħu d-dejta tagħhom f'repożitorji pubbliċi: GEO (Gene Expression Omnibus) u ArrayExpress għall-espressjoni tal-ġeni, SRA (Sequence Read Archive) għal sekwenzi mhux maħduma, PRIDE għall-proteomics. Dan huwa kritiku sabiex oħrajn ikunu jistgħu jivverifikaw ir-riżultati tiegħek u sabiex tkun tista’ tanalizza mill-ġdid data minn studji oħra. L-AI tista' tikteb kodiċi (b'għodda bħal GEOparse) li tniżżel u torganizza dejta minn numru ta' reġistrazzjoni GEO (eż. numru GSE); Imma kun żgur li taqra u tikkonferma d-disinn tad-dejta li niżżilt (kemm gruppi, kemm repetizzjonijiet, liema proċess) mir-rekord oriġinali. Jekk il-mudell jippretendi li "tiftakar" id-disinn ta 'studju, din hija kważi dejjem raden li jeħtieġ li tiġi vverifikata.
Fil-qosor
Id-dejta Omics tkejjel eluf ta’ varjabbli f’daqs żgħir ta’ kampjun; Dan joħloq in-nases ta 'paraguni multipli, effetti tal-lott, u interpretazzjoni żejda. Intelliġenza artifiċjali; Jikteb il-kodiċi għall-analiżi tal-espressjoni differenzjali, jispjega l-kunċetti, u jgħinek tinterpreta r-riżultati. Madankollu, hija r-responsabbiltà tiegħek li tapplika l-korrezzjoni tal-FDR, tevalwa d-daqs tal-effett, u tevita l-lingwaġġ tal-kawżalità. Il-ġeni kandidati huma ipoteżi sakemm jiġu vverifikati b'metodu indipendenti.
Kompitu ta' applikazzjoni
Ikseb jew oħloq tabella kampjun tar-riżultati tal-espressjoni differenzjali (gen, log2FC, padj). Ħalli l-kodiċi tal-kitba tal-AI li jiffiltra b'FDR<0.05 u |log2FC|>1, jirrapporta n-numru ta' ġeni sinifikanti, u jpinġi graff tal-vulkan. Mexxi l-kodiċi. Imbagħad agħmel li l-mudell jikkalkula kemm ġeni jidhru "sinifikanti" li kieku l-korrezzjoni ma tkunx saret, u tinterpreta d-differenza.
lista ta' kontroll
- [ ] Applikajt korrezzjoni ta' tqabbil multiplu (FDR).
- I evalwat id-daqs tal-effett (log2FC) kif ukoll il-[ ] p-valur.
- [ ] Iċċekkja l-lott/varjabbli tekniċi.
- [ ] Ma qbiżtx il-pass tan-normalizzazzjoni.
- [ ] Jien użajt il-lingwa tal-korrelazzjoni aktar milli l-kawżalità.
- [ ] Immarkajt ġeni kandidati bħala ipoteżi li jeħtieġ li jiġu kkonfermati.