กำไร:
- การแก้ไขการทดสอบหลายรายการ (ค่า p-value ที่ถูกต้อง) ในการวิเคราะห์การแสดงออกที่แตกต่างกัน และความสามารถในการตีความการเปลี่ยนแปลงการพับอย่างถูกต้อง และหลีกเลี่ยงการเกิดผลบวกลวง
- การตรวจจับผลกระทบของแบทช์และเพิ่มลงในแบบจำลองด้วย PCA และแยกสัญญาณรบกวนทางเทคนิคออกจากความแตกต่างทางชีวภาพ
- ความสามารถในการเชื่อมโยงเอกลักษณ์ของวิถีทางแต่ละแห่งกับแหล่งที่มา และควบคุมด้วยความสอดคล้องทางชีวภาพในการเพิ่มคุณค่าของวิถีทางและบูรณาการหลายโอมิกส์
เซลล์ไม่ใช่ตัวเลขเดียว มันเป็นระบบที่ยีน โปรตีน และสารเมตาบอไลต์หลายพันตัวเต้นไปพร้อมๆ กัน Omics (ชื่อรวมสำหรับวิธีการที่วัดชั้นทางชีวภาพโดยรวม) พยายามที่จะจับภาพการเต้นรำทั้งหมดนี้: จีโนมิกส์ (DNA), การถอดเสียง (RNA - ยีนใดทำงานและปริมาณเท่าใด), โปรตีโอมิกส์ (โปรตีน), เมแทบอลิซึม (โมเลกุลขนาดเล็ก) แต่ละเลเยอร์ Omics จะสร้างข้อมูลขนาดหลายพันมิติ เสียงรบกวน และมีค่าใช้จ่ายสูง AI มีประสิทธิภาพในการสแกนข้อมูลมิติสูงและทำเครื่องหมายรูปแบบ แต่คุณคือผู้ที่ตัดสินใจว่ารูปแบบใดเป็นความจริงทางชีววิทยา และรูปแบบใดเป็นสัญญาณรบกวนทางเทคนิค
ในหน่วยนี้ เราจะอธิบายเกี่ยวกับทรานสคริปโทมิกส์ ซึ่งเป็นการวิเคราะห์โอมิกส์ที่พบบ่อยที่สุด หลักการนำไปใช้กับชั้นอื่นๆ เช่นกัน ขั้นตอนการทำงานทั่วไป: เมทริกซ์การแสดงออกจากข้อมูลดิบ (แถวคือยีน คอลัมน์คือตัวอย่าง เซลล์คือระดับการแสดงออก) การทำให้เป็นมาตรฐาน (การลบความแตกต่างทางเทคนิค) การวิเคราะห์การแสดงออกที่แตกต่างกัน (การค้นหายีนที่เปลี่ยนแปลงอย่างมีนัยสำคัญระหว่างสองเงื่อนไข) การเพิ่มคุณค่าของวิถีทาง (การค้นหาว่าวิถีทางทางชีวภาพใดที่ยีนที่เปลี่ยนแปลงถูกรวมกลุ่มไว้) และการตีความ
การแสดงออกที่แตกต่าง: การเปลี่ยนแปลงแบบพับและแก้ไขค่า p
เพื่อบอกว่ายีน "เปลี่ยนแปลง" หรือไม่ ให้พิจารณาตัวเลขสองตัว: การเปลี่ยนแปลงแบบพับ - จำนวนครั้งที่การแสดงออกเพิ่มขึ้น/ลดลง ซึ่งโดยปกติจะเป็นระดับ log2 - และค่า p-value ที่ปรับแล้ว (padj - สถิติที่ควบคุมผลบวกลวงเมื่อทำการทดสอบหลายครั้ง) ทำไมต้องแก้ไข? เพราะคุณทดสอบยีน 20,000 ตัวในเวลาเดียวกัน แม้จะบังเอิญ ยีนหลายร้อยตัวก็อาจกลายเป็น "สำคัญ" ได้ หากไม่มีการแก้ไขการทดสอบหลายครั้ง ซึ่งจำกัดอัตราการค้นพบที่ผิดพลาดด้วยวิธีต่างๆ เช่น Benjamini-Hochberg รายการดังกล่าวจะทำให้เข้าใจผิด AI สามารถเขียนสคริปต์ที่คำนวณสถิตินี้ได้ แต่หากละเว้นการแก้ไข ผลลัพธ์ของคุณจะไม่สามารถป้องกันได้ในทางวิทยาศาสตร์
ข้อควรระวัง: AI อาจบอกว่า "500 ยีนมีการเปลี่ยนแปลงอย่างมีนัยสำคัญ" โดยพิจารณาจากค่า p-value แบบดิบ เมื่อพิจารณาค่า p-value ที่ถูกแก้ไขแล้ว ตัวเลขอาจลดลงเหลือ 30 ตรวจสอบการแก้ไขแบบทดสอบหลายรายการด้วยตนเองเสมอ นี่คือความแตกต่างระหว่างการยอมรับและการปฏิเสธสิ่งพิมพ์
เอฟเฟกต์แบบแบตช์: กับดักที่ร้ายกาจที่สุด
Batch Effect (ความแตกต่างทางเทคนิคที่เกิดจากการประมวลผลตัวอย่างตามวัน อุปกรณ์ หรือผู้คน) เป็นสาเหตุที่ใหญ่ที่สุดของข้อผิดพลาดในการวิเคราะห์แบบ Omics หากเงื่อนไขทั้งสองของคุณได้รับการประมวลผลในสองวันที่แตกต่างกัน "ความแตกต่างทางชีวภาพ" ที่คุณเห็นจริงๆ แล้วอาจเป็นความแตกต่างของวัน AI อาจแนะนำให้เพิ่มตัวแปรแบทช์ให้กับโมเดล (เช่น ~ แบทช์ + เงื่อนไข) แต่เป็นความรับผิดชอบของคุณที่จะต้องตั้งค่าให้ถูกต้อง และไม่ปะปนในการออกแบบการทดลอง
เคล็ดลับ: ก่อนที่จะเริ่มการวิเคราะห์ ให้วาดแผนภูมิ PCA (การวิเคราะห์องค์ประกอบหลัก - วิธีการสรุปและแสดงภาพข้อมูลมิติสูงบนหลายแกน) หากตัวอย่างถูกจัดกลุ่มตามแบทช์มากกว่าตามสภาวะทางชีวภาพ ผลกระทบของแบทช์จะมีความสำคัญและต้องได้รับการแก้ไขก่อน
การบูรณาการหลายโอมิกส์
ความเข้าใจที่แท้จริงมักมาจากการรวมชั้นต่างๆ เข้าด้วยกัน หากยีนทำงานหนักขึ้นแต่โปรตีนไม่เพิ่มขึ้น การควบคุมจะอยู่ที่ระดับการแปล การผสานรวมหลายโอมิกส์—การรวมเลเยอร์โอมิกส์ที่แตกต่างกันให้เป็นโมเดลเดียว—คือจุดที่ AI แข็งแกร่งขึ้น แต่ยังเป็นที่ที่มันทำให้เข้าใจผิดมากที่สุดด้วย เนื่องจากสเกล เสียง และการจับคู่ตัวอย่างของเลเยอร์นั้นแตกต่างกัน AI แนะนำขั้นตอนการทำงานแบบบูรณาการ แต่คุณควบคุมความสอดคล้องทางชีวภาพของผลลัพธ์
มินิเคสสามอัน
กรณีที่ 1 — การเพิ่มคุณค่าถูกเร่ง พบยีนที่แตกต่าง 1,240 ยีนในโครงการมะเร็ง AI เตรียมพวกมันไว้เพื่อเพิ่มคุณค่าให้กับวิถี โดยเน้นที่วัฏจักรของเซลล์และวิถีการซ่อมแซมดีเอ็นเอ ทีมงานสร้างแผนที่สมมุติฐานภายใน 2 ชั่วโมง แต่พวกเขาทดสอบเส้นทางแต่ละเส้นทางอีกครั้งด้วยเครื่องมืออิสระ (g: Profiler) และพบว่าเส้นทางหนึ่งถูกแมปผิดโดย AI
กรณีที่ 2 — กับดักแบบแบตช์ ห้องปฏิบัติการแห่งหนึ่งพบความแตกต่าง 900 ยีนที่ "โดดเด่น" ระหว่างกลุ่มการรักษาสองกลุ่ม เมื่อพวกเขาดำเนินการ PCA พวกเขาพบว่าตัวอย่างถูกแยกออกตามชุดลำดับ หลังจากการแก้ไขแบบกลุ่ม ความแตกต่างที่แท้จริงลดลงเหลือ 60 ยีน AI ละเว้นตัวแปรแบทช์โดยไม่ได้ตั้งใจในการวิเคราะห์ครั้งแรก
กรณีที่ 3 — ชื่อทางเดินที่สร้างขึ้น นักเรียนคนหนึ่งมอบรายชื่อยีนให้กับ AI และถามว่า "เส้นทาง KEGG ใด" AI ให้ ID เส้นทางและชื่อราวกับว่าเป็นของจริง เมื่อนักเรียนค้นหา KEGG เขาพบว่าไม่มี ID นั้น การตรวจสอบป้องกันผลลัพธ์ที่ปลอมแปลง
เทมเพลตที่สามารถคัดลอกได้สี่แบบ
1) โครงร่างเวิร์กโฟลว์ DESeq2:
บทบาทของคุณ: นักชีววิทยาเชิงคอมพิวเตอร์ เขียนสคริปต์ทีละขั้นตอนสำหรับการวิเคราะห์นิพจน์เชิงอนุพันธ์ RNA-seq ด้วย R/DESeq2: การอ่านเมทริกซ์นับ สูตรการออกแบบ (~ แบทช์ + เงื่อนไข) การทำให้เป็นมาตรฐาน ตารางผลลัพธ์ ใช้การแก้ไขการทดสอบหลายรายการ (BH) อย่างชัดเจนและใช้ padjcolumn อธิบายว่าแต่ละขั้นตอนทำอะไรในบรรทัดความคิดเห็น
2) การควบคุมคุณภาพ/แบทช์:
ขอรายการตรวจสอบ QC RNA-seq ให้ฉันหน่อย: การควบคุมแบทช์ด้วย PCA, ขนาดไลบรารี, จำนวนการตรวจจับยีน, การตรวจจับค่าผิดปกติ สำหรับแต่ละเมตริก ให้ระบุเกณฑ์ "สิ่งที่ฉันเห็นทำให้ฉันกังวล" อธิบายว่าฉันควรทำอย่างไรหากแบทช์และสภาวะทางชีวภาพผสมกัน
3) การตรวจสอบผลการเพิ่มคุณค่า:
ฉันจะให้รายการเส้นทางที่สมบูรณ์แก่คุณ (จำนวนเส้นทาง, padj, ยีน) จดบันทึกเอกลักษณ์ของแต่ละเส้นทาง (KEGG/GO ID) แบบคำต่อคำ และอย่าสร้างขึ้นใหม่ กรองผลลัพธ์ด้วย padj <0.05 ระบุว่าเส้นทางใดสนับสนุนซึ่งกันและกัน แต่ทำเครื่องหมายแต่ละอัตลักษณ์ว่า "ต้องได้รับการตรวจสอบในฐานข้อมูล"
4) การตรวจสอบความสอดคล้องของ Multi-omics:
การถอดเสียงและโปรตีโอมิกให้ทิศทางการแสดงออกที่ขัดแย้งกันสำหรับคู่ของยีน/โปรตีน ระบุเหตุผลทางชีววิทยา (การแก้ไขหลังการแปล) และทางเทคนิค (สัญญาณรบกวนในการวัด การจับคู่ตัวอย่าง) ที่เป็นไปได้ และบอกวิธีทดสอบแต่ละข้อ
พรอมต์อ่อน / พรอมต์แรง
พรอมต์ที่อ่อนแอ:
ตั้งชื่อเส้นทางที่สำคัญในรายการยีนนี้
ไม่มีแหล่งที่มา ไม่มีสถิติ มีความเสี่ยงสูงที่จะถูกประดิษฐ์ขึ้น
พรอมต์อันทรงพลัง:
บทบาทของคุณ: นักชีววิทยาเชิงคอมพิวเตอร์ ในตารางยีนดิฟเฟอเรนเชียลที่แนบมา (ยีน, log2FC, padj) รับเฉพาะยีนที่มี padj <0.05 บอกขั้นตอนของการวิเคราะห์การเพิ่มคุณค่า GO ที่จะดำเนินการกับยีนเหล่านี้และเครื่องมือ (g:Profiler) ที่ฉันจะใช้ ชื่อเส้นทางเป็นของปลอม ฉันจะเรียกใช้เครื่องมือและทำการวิเคราะห์ คุณเพียงแค่อธิบายวิธีการที่ถูกต้องและการแก้ไขการทดสอบหลายครั้ง
ความแตกต่าง: ตัวกรองที่ชัดเจน การมุ่งเน้นวิธีการ ห้ามการประดิษฐ์ และปล่อยให้การตรวจสอบยืนยันแก่ผู้ใช้
ขั้นตอนการวิเคราะห์โอมิกส์
ขั้นตอน
วัตถุประสงค์
ข้อผิดพลาดทั่วไป
บทบาทของเอไอ
การทำให้เป็นมาตรฐาน
ขจัดความแตกต่างทางเทคนิค
เลือกวิธีผิด
สคริปต์ + เหตุผล
PCA/ควบคุมคุณภาพ
การตรวจจับแบบแบตช์และค่าผิดปกติ
ข้ามขั้นตอนของฉัน
รูปภาพ+ความเห็น
การแสดงออกที่แตกต่าง
ค้นหายีนที่เปลี่ยนแปลง
ไม่แก้ไขหน้า
ร่างสคริปต์
การเพิ่มคุณค่า
ค้นหาเส้นทาง
ทางเดินที่ถูกประดิษฐ์ขึ้น
วิธีการ
บูรณาการ
ผสานเลเยอร์
ข้อผิดพลาดขนาด/การจับคู่
คำแนะนำขั้นตอนการทำงาน
Omics เซลล์เดียว: มิติใหม่
ในช่วงไม่กี่ปีที่ผ่านมา การจัดลำดับเซลล์เดียว ซึ่งวัดโปรไฟล์การแสดงออกของเซลล์แต่ละพันเซลล์แยกจากกัน ได้นำโอมิกส์ไปสู่มิติใหม่ ตอนนี้ แทนที่จะเป็น "การแสดงออกโดยเฉลี่ยของเนื้อเยื่อ" เราจะเห็นเซลล์แต่ละประเภทภายในเนื้อเยื่อนั้นแยกจากกัน ขุมพลังนี้ทำให้เกิดข้อผิดพลาดใหม่: ข้อมูลมีน้อยมาก (ยีนส่วนใหญ่ไม่มีการอ่านในเซลล์ส่วนใหญ่—การหยุดกลางคัน) ขนาดคือเซลล์นับหมื่น × ยีนยี่สิบพัน และการแยกประเภทเซลล์ส่วนใหญ่ทำได้โดยการจัดกลุ่ม AI มีประสิทธิภาพในการสร้างโครงร่างการจัดกลุ่มและการติดฉลากประเภทเซลล์บนข้อมูลเซลล์เดียว แต่คุณตรวจสอบกับยีนมาร์กเกอร์ที่รู้จักว่าแต่ละคลัสเตอร์เป็นประเภทเซลล์จริงหรือเป็นสิ่งประดิษฐ์ทางเทคนิค (เช่น เซลล์ที่ตายแล้ว สองเซลล์ติดกัน) อย่ายอมรับฉลากประเภทเซลล์ที่แนะนำโดย AI โดยไม่ยืนยันยีนเครื่องหมายของกลุ่มนั้นในวรรณกรรมจริง
เคล็ดลับ: ในการวิเคราะห์เซลล์เดียว หาก AI แนะนำป้ายกำกับ “ทีเซลล์” ให้ตรวจสอบตัวเองว่าเครื่องหมายทีเซลล์ (เช่น CD3) มีการแสดงออกอย่างมากในคลัสเตอร์นั้น หากโทเค็นไม่รองรับป้ายกำกับ นั่นถือเป็นสมมติฐาน ไม่ใช่ข้อสรุป
ข้อผิดพลาดทั่วไป
- ข้ามการแก้ไขการทดสอบหลายครั้ง รายการเต็มไปด้วยค่า p ดิบ ควรใช้ padj
- การเข้าใจผิดเกี่ยวกับผลกระทบของแบทช์สำหรับชีววิทยา ควรตรวจสอบด้วย PCA ก่อน
- ทำให้พื้นเปลี่ยนเกณฑ์เพียงอย่างเดียว การเปลี่ยนแปลงของรอยพับสูงอาจทำให้เข้าใจผิดในยีนที่มีการแสดงออกต่ำและมีเสียงดัง
- การยอมรับ Pathway ที่สร้างขึ้น/อัตลักษณ์ GO ทุกตัวตนจะต้องได้รับการตรวจสอบในฐานข้อมูล
- ประเมินขนาดตัวอย่างต่ำเกินไป พลังงานทางสถิติต่ำในการออกแบบ 2 คูณ 2; ควรตีความผลลัพธ์ด้วยความระมัดระวัง
โดยสรุป
การวิเคราะห์ Omics ทำงานร่วมกับข้อมูลที่มีมิติสูงและมีสัญญาณรบกวน และ AI จะเร่งข้อมูลนี้โดยการสแกน เขียนสคริปต์ และทำเครื่องหมายรูปแบบ แต่การแก้ไขการทดสอบหลายครั้งในการแสดงออกที่แตกต่างกัน การควบคุมแบทช์ด้วย PCA และการตรวจสอบแหล่งที่มาในการเพิ่มคุณค่า เป็นสิ่งที่ขาดไม่ได้ การบูรณาการแบบ Multi-omics นั้นทรงพลังแต่ทำให้เข้าใจผิด ตรวจสอบผลลัพธ์แต่ละรายการด้วยความสอดคล้องทางชีวภาพ โดยคำนึงถึงขนาดและความแตกต่างของสัญญาณรบกวนของชั้นต่างๆ
งานสมัคร
ค้นหาเมทริกซ์นับ RNA-seq ที่เปิดเผยต่อสาธารณะ (เช่นจาก GEO) ให้ AI เขียนสคริปต์การวิเคราะห์ด้วยเทมเพลต "DESeq2 workflow" และเช็คอินโค้ดว่าได้ใช้การแก้ไขการทดสอบหลายรายการแล้ว จากนั้นขอให้ AI เพิ่มความคิดเห็นและตรวจสอบรหัสเส้นทางทั้งหมดที่ส่งคืนทีละรายการกับฐานข้อมูล KEGG หรือ GO สังเกตว่ามีจริงกี่อัน
รายการตรวจสอบ
- [ ] ฉันใช้ padj (แก้ไขแล้ว) ในการวิเคราะห์เชิงอนุพันธ์ ไม่ใช่ค่า p ดิบ
- [ ] ฉันตรวจสอบเอฟเฟกต์แบบแบตช์ด้วย PCA และเพิ่มลงในโมเดลหากจำเป็น
- [ ] ฉันตีความยีนที่มีการเปลี่ยนแปลงของรอยพับสูงแต่แสดงออกต่ำด้วยความระมัดระวัง
- [ ] ฉันตรวจสอบแต่ละ Pathway/GO ID กับฐานข้อมูลจริง
- [ ] ฉันประเมินพลังทางสถิติของขนาดตัวอย่าง
- [ ] ฉันแบ่งความขัดแย้งพหุโอมิกส์ออกเป็นสาเหตุทางชีวภาพและทางเทคนิค