Uchambuzi wa Data ya Omics: RNA-seq, Usemi, Takwimu na Uboreshaji wa Njia

Faida:

• Uwezo wa kuelewa mtiririko wa kazi wa RNA-seq, uchanganuzi wa usemi tofauti na urekebishaji wa majaribio mengi (FDR) na kuwa na akili bandia hutoa nambari ya uchambuzi inayoweza kuthibitishwa.
• Uwezo wa kutafsiri kwa kina matokeo ya uboreshaji wa njia kitakwimu na kibayolojia
• Uwezo wa kutekeleza nidhamu ya kuangalia mawazo ya takwimu na mitego mingi ya majaribio na kuthibitisha kwa kujitegemea umuhimu wa kibaolojia.

"Omics" ni jina la pamoja la mbinu zinazopima molekuli zote za seli au tishu pamoja: genomics (DNA zote), transcriptomics (zote RNA/maneno), proteomics (protini zote), metabolites (metaboli zote). Data hii ni kubwa - jaribio la RNA-seq linahusisha vipimo vya makumi ya maelfu ya jeni. Katika kitengo hiki, utajifunza jinsi ya kutumia akili bandia (AI) kama msaidizi katika uchanganuzi wa omics ambao huandika misimbo, kuchagua takwimu, na kuandaa tafsiri za kibayolojia; lakini utajifunza kwa nini ni lazima uthibitishe matokeo ya takwimu na kibayolojia.

Onyo muhimu: Katika Omics, makosa hatari zaidi ni ya kitakwimu na hayaonekani. AI inaweza kuandika msimbo ambao unapita marekebisho mengi ya ulinganisho (hapa chini), kuchagua jaribio lisilo sahihi, au kutoa orodha za jeni "chanya zisizo za kweli". Zaidi ya hayo, AI inaweza kutunga madai ya kibaolojia kama vile "jeni hili huongezeka katika ugonjwa huo" bila chanzo chochote. Njia sahihi: kufanya uchanganuzi kwa nambari inayoweza kutekelezwa, inayoweza kukaguliwa na kudhibitisha kila dai la kibaolojia kwenye fasihi.

Dhana za kimsingi

• Usemi: Jeni kiasi gani hutafsiriwa katika RNA; kipimo cha "shughuli".
• Usemi tofauti (DE): Jeni ambazo usemi wake hubadilika sana kati ya vikundi viwili (k.m., mgonjwa/afya).
• p-thamani: Uwezekano kwamba tofauti ni sadfa; ikiwa ni ndogo, tofauti inachukuliwa kuwa "muhimu".
• Marekebisho mengi ya kulinganisha: Wakati makumi ya maelfu ya jeni yanaangaliwa kwa wakati mmoja, kwa bahati kutakuwa na baadhi ambayo ni "muhimu". Ili kurekebisha hili, mbinu kama vile FDR (kiwango cha ugunduzi wa uwongo) / Benjamini-Hochberg hutumiwa. Ikiwa marekebisho haya yataachwa, mamia ya matokeo ya uwongo yatatokea.
• mabadiliko ya mkunjo wa log2 (log2FC): Logariti ya uwiano wa kujieleza wa jeni kati ya vikundi viwili hadi besi 2; +1 ina maana ya ongezeko la mara mbili, -1 ina maana ya kupungua mara mbili.
• Uboreshaji wa njia: Kutafuta njia za kibiolojia (k.m. mgawanyiko wa seli, kinga) jeni zilizobadilishwa zimejilimbikizia; Hifadhidata kama vile GO na KEGG hutumiwa.
• Athari ya kundi: Tofauti isiyo ya kibayolojia ya uwongo inayotokana na kuchakata sampuli kwa siku/vifaa tofauti.

Hatua kwa hatua: Uchambuzi wa omics unaoendeshwa na AI

1. Bainisha muundo wa majaribio na swali. Sampuli ngapi, vikundi ngapi, marudio ngapi? Nguvu ya takwimu inatosha? Eleza muundo kwa AI.

2. Chagua chombo/mbinu inayofaa na AI. Kwa RNA-seq, chagua mbinu za kawaida kama vile DESeq2/edgeR (vifurushi vya takwimu vilivyoundwa kwa ajili ya kuhesabu data); Tumia njia zilizothibitishwa badala ya takwimu ambazo AI "ilitengeneza".

3. Endesha msimbo na uangalie matokeo ya kati. Usiendelee na uchanganuzi wa DE bila kuhalalisha, udhibiti wa athari za kundi, viwanja vya ubora (PCA).

4. Tekeleza marekebisho mengi ya ulinganisho. Chuja matokeo kwa thamani iliyosahihishwa (padj/FDR), si thamani ghafi ya p.

5. Thibitisha tafsiri ya kibiolojia katika fasihi. Tafsiri matokeo ya uboreshaji wa njia ukitumia AI, lakini thibitisha kila dai kwenye chanzo.

Kidokezo: Katika uchanganuzi wa DE, angalia ubora na ujumlisho wa grafu kwanza. Ikiwa sampuli zimeunganishwa kulingana na siku zilipochakatwa badala ya kikundi cha kibaolojia, jeni nyingi "muhimu" unazopata ni athari limbikizi, si biolojia halisi.

kesi tatu ndogo

Kesi ya 1 - Thamani ya p isiyosahihishwa. Mwanafunzi alijaribu jeni 20,000 na msimbo ulioandikwa na AI na akapata "jeni muhimu 540." Alipokagua msimbo huo, aliona kwamba AI ilikuwa imeruka marekebisho mengi ya kulinganisha. Marekebisho ya FDR yalipoongezwa, idadi ya jeni muhimu ilipungua hadi 32. Bila marekebisho, zaidi ya jeni 500 za uwongo zingetokana na hadithi.

Kesi ya 2 - Madai ya kibaolojia yaliyotungwa. Kwa jeni kwenye orodha ya DE, mtafiti aliuliza AI "jeni hii hufanya nini katika ugonjwa huu?" aliuliza; AI ilielezea utaratibu wa kushawishi na makala. Alipotafuta kwenye PubMed, aliona kuwa hakuna utaratibu huo wala makala hiyo. Dai liliondolewa kwenye ripoti.

Kesi ya 3 - Uthibitisho umepata. Mwanafunzi wa PhD aligundua kuwa sampuli zilitenganishwa kwa siku mbili kwenye shamba la PCA. Aliuliza AI kuongeza mabadiliko ya athari ya batch kwa nambari; Baada ya kusahihisha, orodha ya jeni ilibadilishwa kabisa na ikawa muhimu kibiolojia. Bila chati ya udhibiti wa ubora, tokeo ghushi lingeweza kuchapishwa.

Mfano: kuchuja kwa thamani ya p iliyosahihishwa

agiza panda kama pd# acha jedwali 'de' liwe matokeo kutoka kwa zana ya DE (DESeq2/edgeR):# safuwima: gene, log2FC, pvalue, padj (FDR-corrected)de = pd.read_csv("de_results.csv")significant = de[(de["padj"]"2"["padj"] 2"[FC. 1)]chapisha("Raw p<0.05:", (de["pvalue"] < 0.05).sum())print("FDR-corrected padj<0.05 & |log2FC|>=1:", len(muhimu))

Tofauti kati ya nambari mbichi na iliyosahihishwa inaonyesha kwa nini ulinganisho mwingi ni muhimu.

Violezo vinne vinavyoweza kunakiliwa

1) Mpango wa uchambuzi na uteuzi wa mbinu:

Jukumu lako: msaidizi wa bioinformatics. Sanidi mpango wa uchanganuzi wa jaribio lifuatalo la RNA-seq:[idadi ya vikundi, idadi ya sampuli/nakala, swali]. Ni zana gani ya kawaida (DESeq2/edgeR) ninapaswa kuchagua na kwa nini, ni hatua gani za udhibiti wa ubora (PCA, athari ya bechi) zinahitajika, ninawezaje kutumia marekebisho mengi ya kulinganisha? Andika hatua kwa hatua.

2) Nambari + ukaguzi wa lazima:

Andika msimbo unaoweza kutekelezeka ambao hufanya uchanganuzi ufuatao wa DE: [maelezo]. Msimbo huo LAZIMA ujumuishe urekebishaji, muundo wa ubora wa PCA, udhibiti wa athari za kundi, na marekebisho ya FDR (Benjamini-Hochberg). Toa maoni kwa kila hatua. Chuja kwa thamani ya p iliyosahihishwa, sio thamani ghafi ya p.

3) Maoni ya uboreshaji wa njia:

Saidia kutafsiri matokeo ya uboreshaji wa njia kwa orodha hii ya jeni muhimu: [orodha/pato]. Eleza ni njia zipi zinazojulikana, lakini niambie ni chanzo gani (GO, KEGG, makala yaliyopitiwa na marafiki) ili kuthibitisha kila dai la kibaolojia. Utaratibu/kifungu FITTING.

4) Ukaguzi wa takwimu:

Angalia msimbo ufuatao wa uchanganuzi ili uone makosa ya takwimu: [code]. Hasa: uteuzi usio sahihi wa mtihani, kutokuwepo kwa marekebisho mengi ya kulinganisha, kupuuza athari ya bechi, urudufishaji wa kutosha. Orodhesha kila tatizo ulilopata na marekebisho yake.

Mwongozo dhaifu / Mwongozo thabiti

Dhaifu: "Tafuta jeni muhimu katika data hii ya RNA-seq."

Tatizo: Mbinu, udhibiti wa ubora, na ulinganisho mwingi haujabainishwa; AI inaweza kutoa orodha iliyojaa chanya za uwongo bila kusahihisha.

Imara: "Andika msimbo unaofanya uchanganuzi wa DE kwa data hii ya hesabu ya RNA-seq kwa mantiki ya DESeq2, inajumuisha udhibiti wa ubora na udhibiti wa athari kubwa kwa PCA, na vichujio vilivyo na marekebisho ya FDR; toa maoni kwa kila hatua na ueleze ni kwa nini ulichagua njia hii."

Kwa nini ni nguvu: Njia ni ya kawaida, ubora na marekebisho ni ya lazima, matokeo yake yanaweza kukaguliwa.

Hatari

dalili

tahadhari

chanya cha uwongo

Jeni nyingi "za maana".

FDR/marekebisho mengi ya kulinganisha

athari ya pamoja

Sampuli zimeunganishwa kwa siku

PCA + mabadiliko ya kundi

mtihani mbaya

Mtihani wa kawaida wa kuhesabu data

Njia inayofaa kama DESeq2/edgeR

iliundwa biolojia

Utaratibu usio na weld

Uthibitisho wa fasihi

nguvu ya kutosha

Mara 1-2

Marudio ya kutosha katika kubuni

Makosa ya kawaida

• Kuruka marekebisho mengi ya kulinganisha. Hitilafu ya kawaida na yenye madhara zaidi ya takwimu.
• Kupuuza athari ya pamoja. Inazalisha tofauti za kibiolojia za uwongo.
• Inatumia jaribio lisilo sahihi ili kuhesabu data. RNA-seq inahitaji mbinu maalum.
• Kukubali madai ya kibaolojia bila chanzo. AI inaweza kuunda mifumo na vifungu.
• Kujumlisha na marudio ya kutosha. Bila nguvu ya takwimu, matokeo hayawezi kutegemewa.

Tahadhari: "Muhimu kitakwimu" si sawa na "muhimu kibiolojia." Mabadiliko madogo sana lakini muhimu kitaalam yanaweza kuwa madogo kibayolojia; Katika sampuli kubwa kila kitu kinaweza kugeuka kuwa "muhimu". Tathmini log2FC na p-thamani pamoja.

Kina: usuli na mitego ya kuhesabu mara mbili katika uboreshaji wa njia

Matokeo ya uboreshaji wa njia hutegemea mawazo mawili yaliyofichika ambayo watu wengi hawayatambui, na AI inaweza kuyakwepa kimya kimya. Ya kwanza ni uteuzi wa usuli/ulimwengu: uboreshaji unalinganisha seti ya "jeni zilizobadilika" na seti ya "jeni ambazo zilitazamwa". Ikiwa mandharinyuma yatachukuliwa kutoka kwa jenomu nzima lakini jaribio lako litapima paneli mahususi ya tishu pekee, matokeo yanaonekana "yameboreshwa" bandia. Mandharinyuma sahihi ni jeni ambazo zinaweza kuonyeshwa/kupimwa katika jaribio. Timu moja ilipata "uboreshaji muhimu sana wa njia ya kinga" kwa kuweka msingi wa jenomu nzima kimakosa; Uchanganuzi uliporudiwa na usuli sahihi (jeni zilizopimwa), uboreshaji ulitoweka-ugunduzi ulikuwa usanifu wa mbinu.

Pili, ukubwa wa kuweka jeni na kuhesabu mara mbili: njia kubwa sana na za jumla (kwa mfano "michakato ya kimetaboliki", maelfu ya jeni) inaonekana "muhimu" karibu kila orodha; ndogo, njia maalum ni taarifa zaidi. Zaidi ya hayo, kwa sababu jeni sawa hupatikana katika njia nyingi, inapotosha kutibu njia zinazopishana kama ushahidi huru. Jambo la tatu: haionyeshi mwelekeo wa utajiri; Njia inaweza kuimarishwa, lakini nusu ya jeni ndani yake inaweza kuongezeka na nusu nyingine inaweza kupunguzwa. Kuona hili, ni muhimu kuchunguza tofauti habari za mwelekeo (kama vile GSEA).

mtego

dalili

tahadhari

usuli usio sahihi

Kila kitu kinaonekana kuwa tajiri

Pata usuli wa jeni uliopimwa

Njia ya jumla sana

"Metabolism" daima inakuja

Kuzingatia njia ndogo, maalum

kuhesabu mara mbili

njia zinazoingiliana

Usichukue kama ushahidi huru

ruka mwelekeo

mchanganyiko wa kupanda/kushuka

Udhibiti wa mwelekeo na GSEA

Kwa muhtasari

• AI katika uchambuzi wa omics; ni msaidizi ambaye huchagua mbinu, huandika msimbo, na kuandika maoni; takwimu na maamuzi ya biolojia lazima yawe na haki.
• Njia za kawaida, zilizothibitishwa (DESeq2/edgeR) zinapaswa kutumika; Udhibiti wa ubora na ukaguzi wa athari wa pamoja haupaswi kuruka.
• Marekebisho mengi ya kulinganisha (FDR) ni ya lazima; matokeo yanachujwa kwa thamani iliyosahihishwa.
• Kila dai la kibayolojia lazima lithibitishwe katika fasihi; "muhimu" inapaswa kutofautishwa na "muhimu".

Jukumu la maombi

Chukua sampuli ya jedwali la matokeo ya DE (au mkusanyiko wazi wa data wa RNA-seq). Linganisha hesabu muhimu za jeni kulingana na thamani ghafi ya p na vizingiti vilivyosahihishwa vya padj na kijisehemu kilicho hapo juu. Toa maoni juu ya tofauti katika sentensi moja. Kisha uulize tafsiri ya kibaolojia na kiolezo cha 3 cha jeni iliyoangaziwa na uangalie dai wewe mwenyewe katika PubMed.

orodha ya ukaguzi

• [ ] Nilitathmini muundo wa majaribio na nguvu ya takwimu.
• [ ] Nilichagua njia ya kawaida, inayofaa.
• [ ] Nilifanya PCA na udhibiti wa ubora wa batch.
• [ ] Nilitumia masahihisho ya kulinganisha nyingi (FDR).
• [ ] Nilichuja matokeo kwa thamani ya p iliyosahihishwa.
• [ ] Nilithibitisha madai ya kibiolojia katika fasihi.