ਓਮਿਕਸ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ: ਟ੍ਰਾਂਸਕ੍ਰਿਪਟੌਮਿਕਸ, ਪ੍ਰੋਟੀਓਮਿਕਸ ਅਤੇ ਮਲਟੀ-ਓਮਿਕਸ ਏਕੀਕਰਣ

ਲਾਭ:

• ਵਿਭਿੰਨ ਸਮੀਕਰਨ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਮਲਟੀਪਲ ਟੈਸਟਿੰਗ ਸੁਧਾਰ (ਸਹੀ ਪੀ-ਮੁੱਲ) ਅਤੇ ਫੋਲਡ ਤਬਦੀਲੀ ਦੀ ਸਹੀ ਵਿਆਖਿਆ ਕਰਨ ਅਤੇ ਗਲਤ ਸਕਾਰਾਤਮਕ ਤੋਂ ਬਚਣ ਦੀ ਯੋਗਤਾ
• ਬੈਚ ਪ੍ਰਭਾਵ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਅਤੇ ਇਸਨੂੰ ਪੀਸੀਏ ਨਾਲ ਮਾਡਲ ਵਿੱਚ ਜੋੜਨਾ ਅਤੇ ਜੈਵਿਕ ਅੰਤਰ ਤੋਂ ਤਕਨੀਕੀ ਸ਼ੋਰ ਨੂੰ ਵੱਖ ਕਰਨਾ
• ਹਰੇਕ ਮਾਰਗ ਦੀ ਪਛਾਣ ਨੂੰ ਸਰੋਤ ਨਾਲ ਜੋੜਨ ਅਤੇ ਪਾਥਵੇਅ ਸੰਸ਼ੋਧਨ ਅਤੇ ਮਲਟੀ-ਓਮਿਕਸ ਏਕੀਕਰਣ ਵਿੱਚ ਜੀਵ-ਵਿਗਿਆਨਕ ਇਕਸਾਰਤਾ ਨਾਲ ਨਿਯੰਤਰਣ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਇੱਕ ਸੈੱਲ ਇੱਕ ਸੰਖਿਆ ਨਹੀਂ ਹੈ; ਇਹ ਇੱਕ ਅਜਿਹਾ ਸਿਸਟਮ ਹੈ ਜਿੱਥੇ ਹਜ਼ਾਰਾਂ ਜੀਨ, ਪ੍ਰੋਟੀਨ ਅਤੇ ਮੈਟਾਬੋਲਾਈਟ ਇੱਕੋ ਸਮੇਂ ਨੱਚਦੇ ਹਨ। ਓਮਿਕਸ (ਪੂਰੇ ਤੌਰ 'ਤੇ ਜੈਵਿਕ ਪਰਤ ਨੂੰ ਮਾਪਣ ਵਾਲੇ ਪਹੁੰਚਾਂ ਦਾ ਸਮੂਹਿਕ ਨਾਮ) ਇਸ ਪੂਰੇ ਡਾਂਸ ਨੂੰ ਹਾਸਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ: ਜੀਨੋਮਿਕਸ (ਡੀਐਨਏ), ਟ੍ਰਾਂਸਕ੍ਰਿਪਟੌਮਿਕਸ (ਆਰਐਨਏ - ਕਿਹੜੇ ਜੀਨ ਕੰਮ ਕਰਦੇ ਹਨ ਅਤੇ ਕਿੰਨਾ), ਪ੍ਰੋਟੀਓਮਿਕਸ (ਪ੍ਰੋਟੀਨ), ਮੈਟਾਬੋਲੋਮਿਕਸ (ਛੋਟੇ ਅਣੂ)। ਹਰ ਓਮਿਕਸ ਪਰਤ ਹਜ਼ਾਰਾਂ ਆਯਾਮੀ, ਰੌਲੇ-ਰੱਪੇ ਵਾਲਾ ਅਤੇ ਮਹਿੰਗਾ ਡੇਟਾ ਪੈਦਾ ਕਰਦੀ ਹੈ। AI ਇਸ ਉੱਚ-ਆਯਾਮੀ ਡੇਟਾ ਨੂੰ ਸਕੈਨ ਕਰਨ ਅਤੇ ਪੈਟਰਨਾਂ ਨੂੰ ਮਾਰਕ ਕਰਨ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ; ਪਰ ਤੁਸੀਂ ਉਹ ਹੋ ਜੋ ਇਹ ਫੈਸਲਾ ਕਰਦੇ ਹੋ ਕਿ ਕਿਹੜਾ ਪੈਟਰਨ ਜੈਵਿਕ ਸੱਚ ਹੈ ਅਤੇ ਕਿਹੜਾ ਤਕਨੀਕੀ ਰੌਲਾ ਹੈ।

ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟੌਮਿਕਸ ਦੁਆਰਾ ਅੱਗੇ ਵਧਾਂਗੇ, ਸਭ ਤੋਂ ਆਮ ਓਮਿਕਸ ਵਿਸ਼ਲੇਸ਼ਣ; ਸਿਧਾਂਤ ਹੋਰ ਪਰਤਾਂ 'ਤੇ ਵੀ ਲਾਗੂ ਹੁੰਦੇ ਹਨ। ਆਮ ਵਰਕਫਲੋ: ਕੱਚੇ ਡੇਟਾ ਤੋਂ ਸਮੀਕਰਨ ਮੈਟ੍ਰਿਕਸ (ਕਤਾਰਾਂ ਜੀਨ ਹਨ, ਕਾਲਮ ਨਮੂਨੇ ਹਨ, ਸੈੱਲ ਸਮੀਕਰਨ ਪੱਧਰ ਹਨ), ਸਧਾਰਣਕਰਨ (ਤਕਨੀਕੀ ਅੰਤਰਾਂ ਨੂੰ ਹਟਾਉਣਾ), ਵਿਭਿੰਨ ਸਮੀਕਰਨ ਵਿਸ਼ਲੇਸ਼ਣ (ਜੀਨਾਂ ਨੂੰ ਲੱਭਣਾ ਜੋ ਦੋ ਸਥਿਤੀਆਂ ਵਿਚਕਾਰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਬਦਲਦੇ ਹਨ), ਪਾਥਵੇਅ ਸੰਸ਼ੋਧਨ (ਇਹ ਪਤਾ ਲਗਾਉਣਾ ਕਿ ਬਦਲੇ ਹੋਏ ਜੀਨ ਕਿਹੜੇ ਜੀਵ-ਵਿਗਿਆਨਕ ਮਾਰਗ ਹਨ) ਅਤੇ ਕਲੱਸਟਰ ਵਿੱਚ ਇੰਟਰਪ੍ਰੇਟਡ ਹਨ।

ਵਿਭਿੰਨ ਸਮੀਕਰਨ: ਫੋਲਡ ਬਦਲਾਅ ਅਤੇ ਠੀਕ ਕੀਤਾ p-ਮੁੱਲ

ਇਹ ਦੱਸਣ ਲਈ ਕਿ ਕੀ ਇੱਕ ਜੀਨ "ਬਦਲਿਆ" ਹੈ, ਦੋ ਸੰਖਿਆਵਾਂ ਨੂੰ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ: ਫੋਲਡ ਬਦਲਾਅ — ਸਮੀਕਰਨ ਕਿੰਨੀ ਵਾਰ ਵਧਦਾ/ਘਟਦਾ ਹੈ, ਆਮ ਤੌਰ 'ਤੇ ਲੌਗ2 ਸਕੇਲ 'ਤੇ — ਅਤੇ ਐਡਜਸਟਡ p-ਵੈਲਯੂ (padj — ਅੰਕੜਾ ਜੋ ਕਈ ਟੈਸਟਿੰਗ ਕੀਤੇ ਜਾਣ 'ਤੇ ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਲਈ ਕੰਟਰੋਲ ਕਰਦਾ ਹੈ)। ਠੀਕ ਕਿਉਂ? ਕਿਉਂਕਿ ਤੁਸੀਂ ਇੱਕੋ ਸਮੇਂ 20,000 ਜੀਨਾਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹੋ; ਇੱਥੋਂ ਤੱਕ ਕਿ ਸੰਜੋਗ ਨਾਲ, ਸੈਂਕੜੇ ਜੀਨ "ਮਹੱਤਵਪੂਰਨ" ਸਾਬਤ ਹੋ ਸਕਦੇ ਹਨ। ਕਈ ਜਾਂਚ ਸੁਧਾਰਾਂ ਤੋਂ ਬਿਨਾਂ — ਬੈਂਜਾਮਿਨੀ-ਹੋਚਬਰਗ ਵਰਗੇ ਤਰੀਕਿਆਂ ਨਾਲ ਗਲਤ ਖੋਜ ਦਰ ਨੂੰ ਸੀਮਤ ਕਰਨਾ — ਸੂਚੀ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ। AI ਉਹ ਸਕ੍ਰਿਪਟ ਲਿਖ ਸਕਦਾ ਹੈ ਜੋ ਇਸ ਅੰਕੜੇ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ, ਪਰ ਜੇ ਇਹ ਸੁਧਾਰ ਨੂੰ ਛੱਡ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਤੁਹਾਡਾ ਨਤੀਜਾ ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਅਸੁਰੱਖਿਅਤ ਹੈ।

ਸਾਵਧਾਨ: ਕੱਚੇ ਪੀ-ਮੁੱਲ ਦੇ ਆਧਾਰ 'ਤੇ ਇੱਕ AI ਕਹਿ ਸਕਦਾ ਹੈ "500 ਜੀਨ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਬਦਲ ਗਏ ਹਨ"। ਸਹੀ ਕੀਤੇ p-ਮੁੱਲ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, ਸੰਖਿਆ ਘਟ ਕੇ 30 ਹੋ ਸਕਦੀ ਹੈ। ਹਮੇਸ਼ਾ ਬਹੁ-ਟੈਸਟ ਸੁਧਾਰ ਦੀ ਖੁਦ ਜਾਂਚ ਕਰੋ; ਇਹ ਪ੍ਰਕਾਸ਼ਨ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨ ਅਤੇ ਅਸਵੀਕਾਰ ਕਰਨ ਵਿੱਚ ਅੰਤਰ ਹੈ।

ਬੈਚ ਪ੍ਰਭਾਵ: ਸਭ ਤੋਂ ਧੋਖੇਬਾਜ਼ ਜਾਲ

ਬੈਚ ਪ੍ਰਭਾਵ (ਵੱਖ-ਵੱਖ ਦਿਨਾਂ, ਡਿਵਾਈਸਾਂ ਜਾਂ ਲੋਕਾਂ ਦੁਆਰਾ ਨਮੂਨਿਆਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲਾ ਤਕਨੀਕੀ ਅੰਤਰ) ਓਮਿਕਸ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਗਲਤੀ ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਸਰੋਤ ਹੈ। ਜੇ ਤੁਹਾਡੀਆਂ ਦੋ ਸਥਿਤੀਆਂ ਦੋ ਵੱਖ-ਵੱਖ ਦਿਨਾਂ 'ਤੇ ਸੰਸਾਧਿਤ ਕੀਤੀਆਂ ਗਈਆਂ ਸਨ, ਤਾਂ ਤੁਸੀਂ ਜੋ "ਜੀਵ-ਵਿਗਿਆਨਕ ਅੰਤਰ" ਦੇਖਦੇ ਹੋ, ਅਸਲ ਵਿੱਚ ਦਿਨ ਦਾ ਅੰਤਰ ਹੋ ਸਕਦਾ ਹੈ। AI ਮਾਡਲ (ਜਿਵੇਂ ਕਿ ~ ਬੈਚ + ਕੰਡੀਸ਼ਨ) ਵਿੱਚ ਬੈਚ ਵੇਰੀਏਬਲ ਨੂੰ ਜੋੜਨ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ, ਪਰ ਇਹ ਤੁਹਾਡੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ ਕਿ ਇਸਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਸੈਟ ਅਪ ਕਰੋ ਅਤੇ ਇਸਨੂੰ ਪ੍ਰਯੋਗਾਤਮਕ ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਨਾ ਮਿਲਾਓ।

ਸੁਝਾਅ: ਵਿਸ਼ਲੇਸ਼ਣ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਇੱਕ PCA (ਪ੍ਰਧਾਨ ਕੰਪੋਨੈਂਟ ਵਿਸ਼ਲੇਸ਼ਣ - ਇੱਕ ਵਿਧੀ ਜੋ ਕਈ ਧੁਰਿਆਂ 'ਤੇ ਉੱਚ-ਆਯਾਮੀ ਡੇਟਾ ਨੂੰ ਸੰਖੇਪ ਅਤੇ ਵਿਜ਼ੁਅਲਾਈਜ਼ ਕਰਦੀ ਹੈ) ਚਾਰਟ ਬਣਾਓ। ਜੇ ਨਮੂਨੇ ਜੈਵਿਕ ਸਥਿਤੀ ਦੀ ਬਜਾਏ ਬੈਚ ਦੁਆਰਾ ਕਲੱਸਟਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਬੈਚ ਪ੍ਰਭਾਵ ਪ੍ਰਮੁੱਖ ਹੁੰਦਾ ਹੈ ਅਤੇ ਪਹਿਲਾਂ ਲਈ ਠੀਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

ਮਲਟੀ-ਓਮਿਕਸ ਏਕੀਕਰਣ

ਅਸਲ ਸਮਝ ਅਕਸਰ ਲੇਅਰਾਂ ਨੂੰ ਇਕੱਠੇ ਰੱਖਣ ਨਾਲ ਮਿਲਦੀ ਹੈ: ਜੇ ਕੋਈ ਜੀਨ ਸਖ਼ਤ ਮਿਹਨਤ ਕਰ ਰਿਹਾ ਹੈ ਪਰ ਇਸਦਾ ਪ੍ਰੋਟੀਨ ਨਹੀਂ ਵਧ ਰਿਹਾ, ਤਾਂ ਨਿਯਮ ਅਨੁਵਾਦਕ ਪੱਧਰ 'ਤੇ ਹੈ। ਮਲਟੀ-ਓਮਿਕਸ ਏਕੀਕਰਣ—ਵੱਖ-ਵੱਖ ਓਮਿਕਸ ਲੇਅਰਾਂ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਮਾਡਲ ਵਿੱਚ ਜੋੜਨਾ—ਜਿੱਥੇ AI ਮਜ਼ਬੂਤ ​​ਹੁੰਦਾ ਹੈ ਪਰ ਨਾਲ ਹੀ ਜਿੱਥੇ ਇਹ ਸਭ ਤੋਂ ਵੱਧ ਗੁੰਮਰਾਹ ਕਰਦਾ ਹੈ; ਕਿਉਂਕਿ ਪਰਤਾਂ ਦੇ ਪੈਮਾਨੇ, ਸ਼ੋਰ ਅਤੇ ਨਮੂਨੇ ਦੇ ਮੇਲ ਵੱਖਰੇ ਹਨ। AI ਇੱਕ ਏਕੀਕਰਣ ਵਰਕਫਲੋ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ, ਪਰ ਤੁਸੀਂ ਨਤੀਜਿਆਂ ਦੀ ਜੈਵਿਕ ਇਕਸਾਰਤਾ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦੇ ਹੋ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 — ਸੰਸ਼ੋਧਨ ਤੇਜ਼ ਹੋਇਆ। ਇੱਕ ਕੈਂਸਰ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ 1,240 ਡਿਫਰੈਂਸ਼ੀਅਲ ਜੀਨ ਮਿਲੇ ਹਨ। AI ਨੇ ਉਹਨਾਂ ਨੂੰ ਪਾਥਵੇਅ ਸੰਸ਼ੋਧਨ, ਸੈੱਲ ਚੱਕਰ ਅਤੇ DNA ਮੁਰੰਮਤ ਮਾਰਗਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਨ ਲਈ ਪ੍ਰਾਈਮ ਕੀਤਾ; ਟੀਮ ਨੇ 2 ਘੰਟਿਆਂ 'ਚ ਹਾਈਪੋਥੀਸਿਸ ਦਾ ਨਕਸ਼ਾ ਬਣਾਇਆ। ਪਰ ਉਹਨਾਂ ਨੇ ਇੱਕ ਸੁਤੰਤਰ ਟੂਲ (ਜੀ:ਪ੍ਰੋਫਾਈਲਰ) ਨਾਲ ਹਰੇਕ ਮਾਰਗ ਦੀ ਦੁਬਾਰਾ ਜਾਂਚ ਕੀਤੀ ਅਤੇ ਪਾਇਆ ਕਿ ਇੱਕ ਮਾਰਗ ਨੂੰ AI ਦੁਆਰਾ ਗਲਤ ਬਣਾਇਆ ਗਿਆ ਸੀ।

ਕੇਸ 2 - ਬੈਚ ਟ੍ਰੈਪ। ਇੱਕ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿੱਚ ਦੋ ਇਲਾਜ ਸਮੂਹਾਂ ਵਿੱਚ ਇੱਕ "ਸਟਰਾਈਕਿੰਗ" 900-ਜੀਨ ਅੰਤਰ ਮਿਲਿਆ। ਜਦੋਂ ਉਨ੍ਹਾਂ ਨੇ ਪੀਸੀਏ ਕੀਤਾ, ਤਾਂ ਉਨ੍ਹਾਂ ਨੇ ਦੇਖਿਆ ਕਿ ਨਮੂਨੇ ਕ੍ਰਮਵਾਰ ਬੈਚ ਦੁਆਰਾ ਵੱਖ ਕੀਤੇ ਗਏ ਸਨ। ਬੈਚ ਸੁਧਾਰ ਤੋਂ ਬਾਅਦ, ਅਸਲ ਅੰਤਰ 60 ਜੀਨਾਂ ਤੱਕ ਘਟ ਗਿਆ. AI ਨੇ ਅਣਜਾਣੇ ਵਿੱਚ ਪਹਿਲੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਬੈਚ ਵੇਰੀਏਬਲ ਨੂੰ ਛੱਡ ਦਿੱਤਾ ਸੀ।

ਕੇਸ 3 — ਮੇਡ-ਅੱਪ ਮਾਰਗ ਦਾ ਨਾਮ। ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੇ AI ਨੂੰ ਜੀਨ ਸੂਚੀ ਦਿੱਤੀ ਅਤੇ ਪੁੱਛਿਆ, "ਕਿਹੜਾ ਕੇਈਜੀਜੀ ਮਾਰਗ?" AI ਨੇ ਇੱਕ ਮਾਰਗ ID ਅਤੇ ਨਾਮ ਪ੍ਰਦਾਨ ਕੀਤਾ ਜਿਵੇਂ ਕਿ ਇਹ ਅਸਲੀ ਸੀ। ਜਦੋਂ ਵਿਦਿਆਰਥੀ ਨੇ KEGG 'ਤੇ ਖੋਜ ਕੀਤੀ, ਤਾਂ ਉਸਨੇ ਦੇਖਿਆ ਕਿ ਉਹ ID ਮੌਜੂਦ ਨਹੀਂ ਸੀ; ਪੁਸ਼ਟੀਕਰਨ ਨੇ ਮਨਘੜਤ ਨਤੀਜੇ ਨੂੰ ਰੋਕਿਆ।

ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ

1) DESeq2 ਵਰਕਫਲੋ ਰੂਪਰੇਖਾ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਕੰਪਿਊਟੇਸ਼ਨਲ ਬਾਇਓਲੋਜਿਸਟ। R/DESeq2 ਦੇ ਨਾਲ RNA-seq ਵਿਭਿੰਨ ਸਮੀਕਰਨ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਇੱਕ ਕਦਮ-ਦਰ-ਕਦਮ ਸਕ੍ਰਿਪਟ ਲਿਖੋ: ਗਿਣਤੀ ਮੈਟ੍ਰਿਕਸ ਰੀਡਿੰਗ, ਡਿਜ਼ਾਈਨ ਫਾਰਮੂਲਾ (~ ਬੈਚ + ਕੰਡੀਸ਼ਨ), ਸਧਾਰਣਕਰਨ, ਨਤੀਜਾ ਸਾਰਣੀ। ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਮਲਟੀਪਲ ਟੈਸਟਿੰਗ ਸੁਧਾਰ (BH) ਲਾਗੂ ਕਰੋ ਅਤੇ ਪੈਡਜਕਾਲਮ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਦੱਸੋ ਕਿ ਹਰ ਕਦਮ ਇੱਕ ਟਿੱਪਣੀ ਲਾਈਨ ਵਿੱਚ ਕੀ ਕਰਦਾ ਹੈ।

2) ਕੁਆਲਿਟੀ/ਬੈਚ ਕੰਟਰੋਲ:

ਮੈਨੂੰ ਇੱਕ RNA-seq QC ਚੈਕਲਿਸਟ ਦਿਓ: PCA ਨਾਲ ਬੈਚ ਕੰਟਰੋਲ, ਲਾਇਬ੍ਰੇਰੀ ਦਾ ਆਕਾਰ, ਜੀਨ ਖੋਜਾਂ ਦੀ ਸੰਖਿਆ, ਆਊਟਲੀਅਰ ਖੋਜ। ਹਰੇਕ ਮੈਟ੍ਰਿਕ ਲਈ, "ਜੋ ਮੈਂ ਦੇਖਦਾ ਹਾਂ ਉਹ ਮੈਨੂੰ ਚਿੰਤਤ ਕਰਦਾ ਹੈ" ਥ੍ਰੈਸ਼ਹੋਲਡ ਨਿਰਧਾਰਤ ਕਰੋ। ਦੱਸੋ ਕਿ ਜੇ ਬੈਚ ਅਤੇ ਜੀਵ-ਵਿਗਿਆਨਕ ਸਥਿਤੀਆਂ ਨੂੰ ਮਿਲਾਇਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਮੈਨੂੰ ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।

3) ਸੰਸ਼ੋਧਨ ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ:

ਮੈਂ ਤੁਹਾਨੂੰ ਇੱਕ ਅਮੀਰ ਮਾਰਗ ਸੂਚੀ (ਪਾਥਵੇਅ, ਪੈਡਜ, ਜੀਨਾਂ ਦੀ ਸੰਖਿਆ) ਦੇਵਾਂਗਾ। ਹਰੇਕ ਮਾਰਗ ਦੀ ਪਛਾਣ (KEGG/GO ID) ਸ਼ਬਦ-ਜੋੜ ਲਿਖੋ ਅਤੇ ਇਸਨੂੰ ਨਾ ਬਣਾਓ। ਪੈਡਜ <0.05 ਨਾਲ ਨਤੀਜੇ ਫਿਲਟਰ ਕਰੋ। ਦੱਸੋ ਕਿ ਕਿਹੜੇ ਮਾਰਗ ਜੈਵਿਕ ਤੌਰ 'ਤੇ ਇੱਕ ਦੂਜੇ ਦਾ ਸਮਰਥਨ ਕਰਦੇ ਹਨ, ਪਰ ਹਰੇਕ ਪਛਾਣ ਨੂੰ "ਡੇਟਾਬੇਸ ਵਿੱਚ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕਰੋ।

4) Multi-omics consistency check:

ਇੱਕ ਜੀਨ/ਪ੍ਰੋਟੀਨ ਜੋੜੇ ਲਈ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟੌਮਿਕ ਅਤੇ ਪ੍ਰੋਟੀਓਮਿਕ ਉਪਜ ਵਿਰੋਧੀ ਸਮੀਕਰਨ ਦਿਸ਼ਾਵਾਂ। ਇਸਦੇ ਲਈ ਸੰਭਵ ਜੈਵਿਕ (ਪੋਸਟ-ਅਨੁਵਾਦ ਸੰਪਾਦਨ) ਅਤੇ ਤਕਨੀਕੀ (ਮਾਪ ਸ਼ੋਰ, ਨਮੂਨਾ ਮਿਲਾਨ) ਕਾਰਨਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਅਤੇ ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਹਰੇਕ ਦੀ ਜਾਂਚ ਕਿਵੇਂ ਕਰਨੀ ਹੈ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਇਸ ਜੀਨ ਸੂਚੀ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਮਾਰਗਾਂ ਦੇ ਨਾਮ ਦੱਸੋ।

ਕੋਈ ਸਰੋਤ ਨਹੀਂ, ਕੋਈ ਅੰਕੜੇ ਨਹੀਂ, ਮਨਘੜਤ ਮਾਰਗਾਂ ਦਾ ਉੱਚ ਜੋਖਮ.

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਕੰਪਿਊਟੇਸ਼ਨਲ ਬਾਇਓਲੋਜਿਸਟ। ਅਟੈਚਡ ਡਿਫਰੈਂਸ਼ੀਅਲ ਜੀਨ ਟੇਬਲ (ਜੀਨ, ਲੌਗ2ਐਫਸੀ, ਪੈਡਜੇ) ਵਿੱਚ ਸਿਰਫ਼ ਪੈਡਜ <0.05 ਵਾਲੇ ਜੀਨ ਲੈਂਦੇ ਹਨ। ਮੈਨੂੰ ਇਹਨਾਂ ਜੀਨਾਂ ਦੇ ਨਾਲ ਕੀਤੇ ਜਾਣ ਵਾਲੇ GO ਸੰਸ਼ੋਧਨ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਪੜਾਅ ਅਤੇ ਟੂਲ (g:ਪ੍ਰੋਫਾਈਲਰ) ਦੱਸੋ ਜੋ ਮੈਂ ਵਰਤਾਂਗਾ। ਮਾਰਗ ਦਾ ਨਾਮ ਨਕਲੀ ਹੈ; I will run the tool and do the analysis, you just describe the correct methodology and multiple testing correction.

ਅੰਤਰ: ਸਪਸ਼ਟ ਫਿਲਟਰ, ਕਾਰਜਪ੍ਰਣਾਲੀ ਫੋਕਸ, ਬਨਾਵਟੀ 'ਤੇ ਪਾਬੰਦੀ ਅਤੇ ਉਪਭੋਗਤਾ ਨੂੰ ਤਸਦੀਕ ਛੱਡਣਾ।

ਓਮਿਕਸ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਪੜਾਅ

ਕਦਮ

ਮਕਸਦ

ਆਮ ਗਲਤੀ

AI ਭੂਮਿਕਾ

ਸਧਾਰਣਕਰਨ

ਤਕਨੀਕੀ ਅੰਤਰ ਨੂੰ ਖਤਮ ਕਰੋ

ਗਲਤ ਢੰਗ ਦੀ ਚੋਣ

ਲਿਪੀ + ਤਰਕ

PCA/QC

ਬੈਚ ਅਤੇ ਆਊਟਲੀਅਰ ਖੋਜ

ਮੇਰਾ ਕਦਮ ਛੱਡੋ

ਚਿੱਤਰ + ਟਿੱਪਣੀ

ਵਿਭਿੰਨ ਸਮੀਕਰਨ

ਬਦਲ ਰਹੇ ਜੀਨਾਂ ਨੂੰ ਲੱਭਣਾ

ਗਲਤ ਪੀ

ਸਕ੍ਰਿਪਟ ਡਰਾਫਟ

ਸੰਸ਼ੋਧਨ

ਇੱਕ ਰਸਤਾ ਲੱਭੋ

ਬਣਾਇਆ ਮਾਰਗ

ਕਾਰਜਪ੍ਰਣਾਲੀ

ਏਕੀਕਰਣ

ਪਰਤਾਂ ਨੂੰ ਮਿਲਾਓ

ਸਕੇਲ/ਮੇਲ ਗਲਤੀ

ਵਰਕਫਲੋ ਸਿਫਾਰਸ਼

ਸਿੰਗਲ ਸੈੱਲ ਓਮਿਕਸ: ਇੱਕ ਨਵਾਂ ਪੈਮਾਨਾ

ਹਾਲ ਹੀ ਦੇ ਸਾਲਾਂ ਵਿੱਚ, ਸਿੰਗਲ-ਸੈੱਲ ਸੀਕੁਏਂਸਿੰਗ - ਹਜ਼ਾਰਾਂ ਸੈੱਲਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਦੇ ਸਮੀਕਰਨ ਪ੍ਰੋਫਾਈਲ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਮਾਪਣਾ - ਨੇ ਓਮਿਕਸ ਨੂੰ ਇੱਕ ਨਵੇਂ ਆਯਾਮ ਵਿੱਚ ਲਿਆ ਹੈ। ਹੁਣ, "ਇੱਕ ਟਿਸ਼ੂ ਦੀ ਔਸਤ ਸਮੀਕਰਨ" ਦੀ ਬਜਾਏ, ਅਸੀਂ ਉਸ ਟਿਸ਼ੂ ਦੇ ਅੰਦਰ ਹਰੇਕ ਸੈੱਲ ਕਿਸਮ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਦੇਖ ਸਕਦੇ ਹਾਂ। ਇਹ ਸ਼ਕਤੀ ਨਵੇਂ ਨੁਕਸਾਨਾਂ ਨੂੰ ਪੇਸ਼ ਕਰਦੀ ਹੈ: ਡੇਟਾ ਬਹੁਤ ਘੱਟ ਹੁੰਦਾ ਹੈ (ਜ਼ਿਆਦਾਤਰ ਜੀਨਾਂ ਵਿੱਚ ਬਹੁਤੇ ਸੈੱਲਾਂ ਵਿੱਚ ਜ਼ੀਰੋ ਰੀਡ ਹੁੰਦੇ ਹਨ - ਡਰਾਪਆਊਟ), ਆਕਾਰ ਹਜ਼ਾਰਾਂ ਸੈੱਲਾਂ × ਵੀਹ-ਹਜ਼ਾਰਾਂ ਜੀਨਾਂ ਦਾ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਸੈੱਲ ਕਿਸਮਾਂ ਨੂੰ ਵੱਖ ਕਰਨਾ ਜ਼ਿਆਦਾਤਰ ਕਲੱਸਟਰਿੰਗ ਦੁਆਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਏਆਈ ਸਿੰਗਲ ਸੈੱਲ ਡੇਟਾ 'ਤੇ ਕਲੱਸਟਰਿੰਗ ਅਤੇ ਸੈੱਲ ਕਿਸਮ ਲੇਬਲਿੰਗ ਰੂਪਰੇਖਾ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ; ਪਰ ਤੁਸੀਂ ਜਾਣੇ-ਪਛਾਣੇ ਮਾਰਕਰ ਜੀਨਾਂ ਨਾਲ ਤਸਦੀਕ ਕਰਦੇ ਹੋ ਕਿ ਕੀ ਹਰੇਕ ਕਲੱਸਟਰ ਇੱਕ ਅਸਲੀ ਸੈੱਲ ਕਿਸਮ ਹੈ ਜਾਂ ਇੱਕ ਤਕਨੀਕੀ ਕਲਾ (ਜਿਵੇਂ ਕਿ ਮਰੇ ਹੋਏ ਸੈੱਲ, ਦੋ ਸੈੱਲ ਇਕੱਠੇ ਫੜੇ ਗਏ)। ਅਸਲ ਸਾਹਿਤ ਵਿੱਚ ਉਸ ਕਲੱਸਟਰ ਦੇ ਮਾਰਕਰ ਜੀਨਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ AI ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਸੈੱਲ ਕਿਸਮ ਦੇ ਲੇਬਲ ਨੂੰ ਸਵੀਕਾਰ ਨਾ ਕਰੋ।

ਸੰਕੇਤ: ਇੱਕ ਸਿੰਗਲ-ਸੈੱਲ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ, ਜੇਕਰ AI ਇੱਕ ਕਲੱਸਟਰ ਲਈ ਇੱਕ "T ਸੈੱਲ" ਲੇਬਲ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਆਪਣੇ ਲਈ ਜਾਂਚ ਕਰੋ ਕਿ T ਸੈੱਲ ਮਾਰਕਰ (ਉਦਾਹਰਨ ਲਈ CD3) ਅਸਲ ਵਿੱਚ ਉਸ ਕਲੱਸਟਰ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਪ੍ਰਗਟ ਕੀਤੇ ਗਏ ਹਨ। ਜੇਕਰ ਲੇਬਲ ਟੋਕਨ ਦੁਆਰਾ ਸਮਰਥਿਤ ਨਹੀਂ ਹੈ, ਤਾਂ ਇਹ ਇੱਕ ਪਰਿਕਲਪਨਾ ਹੈ, ਇੱਕ ਸਿੱਟਾ ਨਹੀਂ।

ਆਮ ਗਲਤੀਆਂ

• ਮਲਟੀਪਲ ਟੈਸਟਿੰਗ ਸੁਧਾਰ ਛੱਡਣਾ। ਸੂਚੀ ਕੱਚੇ ਪੀ-ਮੁੱਲ ਨਾਲ ਸੁੱਜ ਜਾਂਦੀ ਹੈ; padj ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।
• ਜੀਵ ਵਿਗਿਆਨ ਲਈ ਬੈਚ ਪ੍ਰਭਾਵ ਨੂੰ ਗਲਤ ਕਰਨਾ. ਇਸਦੀ ਪਹਿਲਾਂ ਪੀਸੀਏ ਨਾਲ ਜਾਂਚ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
• ਮੰਜ਼ਿਲ ਨੂੰ ਬਦਲਣਾ ਇੱਕੋ ਇੱਕ ਮਾਪਦੰਡ ਹੈ। ਘੱਟ-ਪ੍ਰਗਟਾਵੇ, ਰੌਲੇ-ਰੱਪੇ ਵਾਲੇ ਜੀਨਾਂ ਵਿੱਚ ਉੱਚ ਗੁਣਾ ਤਬਦੀਲੀ ਗੁੰਮਰਾਹਕੁੰਨ ਹੋ ਸਕਦੀ ਹੈ।
• ਬਣਾਏ ਗਏ ਮਾਰਗ/GO ਪਛਾਣ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ। ਡੇਟਾਬੇਸ ਵਿੱਚ ਹਰ ਪਛਾਣ ਦੀ ਪੁਸ਼ਟੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
• ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਨੂੰ ਘੱਟ ਸਮਝਣਾ. ਇੱਕ 2 ਬਾਇ 2 ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਅੰਕੜਾ ਸ਼ਕਤੀ ਘੱਟ ਹੈ; ਨਤੀਜਿਆਂ ਦੀ ਸਾਵਧਾਨੀ ਨਾਲ ਵਿਆਖਿਆ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ.

ਸਾਰੰਸ਼ ਵਿੱਚ

ਓਮਿਕਸ ਵਿਸ਼ਲੇਸ਼ਣ ਉੱਚ-ਆਯਾਮੀ, ਰੌਲੇ-ਰੱਪੇ ਵਾਲੇ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ, ਅਤੇ AI ਇਸ ਡੇਟਾ ਨੂੰ ਸਕੈਨ ਕਰਕੇ, ਸਕ੍ਰਿਪਟਾਂ ਨੂੰ ਲਿਖ ਕੇ, ਅਤੇ ਮਾਰਕ ਪੈਟਰਨ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ। ਪਰ ਵਿਭਿੰਨਤਾ ਸਮੀਕਰਨ ਵਿੱਚ ਮਲਟੀਪਲ ਟੈਸਟ ਸੁਧਾਰ, ਪੀਸੀਏ ਦੇ ਨਾਲ ਬੈਚ ਨਿਯੰਤਰਣ ਅਤੇ ਸੰਸ਼ੋਧਨ ਵਿੱਚ ਸਰੋਤ ਤਸਦੀਕ ਲਾਜ਼ਮੀ ਹਨ। ਮਲਟੀ-ਓਮਿਕਸ ਏਕੀਕਰਣ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪਰ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ; ਪਰਤਾਂ ਦੇ ਪੈਮਾਨੇ ਅਤੇ ਸ਼ੋਰ ਦੇ ਅੰਤਰ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਜੀਵ-ਵਿਗਿਆਨਕ ਇਕਸਾਰਤਾ ਨਾਲ ਹਰੇਕ ਨਤੀਜੇ ਦੀ ਜਾਂਚ ਕਰੋ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇੱਕ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ RNA-seq ਕਾਉਂਟ ਮੈਟ੍ਰਿਕਸ (ਉਦਾਹਰਨ ਲਈ GEO ਤੋਂ) ਲੱਭੋ। AI ਨੂੰ "DESeq2 ਵਰਕਫਲੋ" ਟੈਮਪਲੇਟ ਨਾਲ ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣ ਸਕ੍ਰਿਪਟ ਲਿਖਣ ਲਈ ਕਹੋ ਅਤੇ ਕੋਡ ਵਿੱਚ ਜਾਂਚ ਕਰੋ ਕਿ ਮਲਟੀਪਲ ਟੈਸਟਿੰਗ ਸੁਧਾਰ ਅਸਲ ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ। ਫਿਰ ਏਆਈ ਨੂੰ ਇੱਕ ਸੰਸ਼ੋਧਨ ਟਿੱਪਣੀ ਲਈ ਪੁੱਛੋ ਅਤੇ ਸਾਰੇ ਪਾਥਵੇ ਆਈਡੀ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ ਜੋ ਇਹ ਕੇਈਜੀਜੀ ਜਾਂ ਜੀਓ ਡੇਟਾਬੇਸ ਦੇ ਵਿਰੁੱਧ ਇੱਕ ਇੱਕ ਕਰਕੇ ਵਾਪਸ ਕਰਦਾ ਹੈ; ਨੋਟ ਕਰੋ ਕਿ ਕਿੰਨੇ ਅਸਲੀ ਹਨ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਡਿਫਰੈਂਸ਼ੀਅਲ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ padj (ਸਹੀ) ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਨਾ ਕਿ ਕੱਚੇ p-ਮੁੱਲ ਦੀ।
• [ ] ਮੈਂ PCA ਨਾਲ ਬੈਚ ਪ੍ਰਭਾਵ ਦੀ ਜਾਂਚ ਕੀਤੀ ਅਤੇ ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਇਸਨੂੰ ਮਾਡਲ ਵਿੱਚ ਜੋੜਿਆ।
• [ ] ਮੈਂ ਉੱਚ ਗੁਣਾ ਤਬਦੀਲੀ ਵਾਲੇ ਜੀਨਾਂ ਦੀ ਵਿਆਖਿਆ ਕੀਤੀ ਪਰ ਸਾਵਧਾਨੀ ਨਾਲ ਘੱਟ ਸਮੀਕਰਨ।
• [ ] ਮੈਂ ਅਸਲ ਡੇਟਾਬੇਸ ਦੇ ਵਿਰੁੱਧ ਹਰੇਕ ਮਾਰਗ/GO ID ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਦੀ ਅੰਕੜਾ ਸ਼ਕਤੀ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ।
• ਮੈਂ ਬਹੁ-ਓਮਿਕਸ ਵਿਰੋਧਾਭਾਸ ਨੂੰ ਜੈਵਿਕ ਅਤੇ ਤਕਨੀਕੀ ਕਾਰਨਾਂ ਵਿੱਚ ਵੰਡਿਆ ਹੈ।