Analiza wieloczynnikowych eksperymentów sekwencyjnych RNA za pomocą DiCoExpress
29 lipca 2022
DiCoExpress to narzędzie oparte na skryptach zaimplementowane w R do przeprowadzania analizy sekwencyjnej RNA, od kontroli jakości do koekspresji. DiCoExpress obsługuje kompletną i niezrównoważoną konstrukcję do 2 czynników biologicznych. Ten samouczek wideo prowadzi użytkownika przez różne funkcje DiCoExpress.
DiCoExpress zapewnia kompletną analizę aorystyczną od kontroli jakości do koekspresji. Przeprowadza analizę różnicową na podstawie kontrastów wewnątrz uogólnionego modelu liniowego. Co więcej, może również przeprowadzić analizę wzbogacenia listy genów o zróżnicowanej ekspresji i klastrów genów o współekspresji.
Główną zaletą DiCoExpress jest to, że mogą z niego korzystać osoby takie jak ja, bez szczególnej wiedzy ze statystyki czy programowania lotniczego. To naprawdę pomaga użytkownikowi niebędącemu specjalistą w napisaniu kontrastu niezbędnego do różnicowej analizy ekspresji genów. Zapewnia również graficzne wyniki ilustrujące wyniki gotowe do publikacji.
DiCoExpress nie jest narzędziem dedykowanym do planów. Może być stosowany w odniesieniu do każdego organizmu, o ile projekt eksperymentalny jest kompletny z maksymalnie dwoma czynnikami biologicznymi. Co więcej, możliwa jest również konstrukcja membrany z nierówną liczbą powtórzeń między warunkami.
Początkujący powinien mieć wstępną wiedzę w R. Powinieneś wiedzieć, jak korzystać z funkcji i identyfikować wymagane i opcjonalne argumenty. Następnie krytycznym krokiem jest poprawne dostarczenie plików zawierających i projekt eksperymentalny. Aby rozpocząć, otwórz sesję R studio.
Ustaw katalog na skrypty szablonów i otwórz skrypt DiCoExpress tutorial dot R. Załaduj funkcje DiCoExpress w sesji języka R. Następnie załaduj pliki danych w sesji języka R i podziel pliki danych obiektowych na kilka obiektów w celu łatwego manipulowania plikami.
Następnie wybierz strategię spośród warunków NB lub replikatów NB i progu filtrowania genów o niskiej ekspresji. Określ kolory grupy i wybierz metodę normalizacji. Następnie przeprowadź kontrolę jakości.
Jeśli dane są sparowane zgodnie z czynnikiem replikacji, stan replikuje się jako prawda, w przeciwnym razie stan jest fałszywy. Przypisz interakcję jako prawdziwą, aby rozważyć interakcję między dwoma czynnikami biologicznymi. W przeciwnym razie przypisz wartość false, a następnie określ model statystyczny i zdefiniuj próg współczynnika fałszywych odnajdywań.
Przeprowadzić analizę różnicową, a następnie ustalić próg dla analizy wzbogacenia i przeprowadzić analizę wzbogacenia list genów o zróżnicowanej ekspresji. Wybierz listy stopni szczegółowości do porównania. Podaj nazwę porównania listy i użyj tej samej nazwy dla katalogu, w którym zostaną zapisane pliki wyjściowe.
Ustaw operację parametru na union lub intercin, aby określić akcję, która ma zostać wykonana na listach DEG i porównaj listy. Przeprowadź analizę koekspresji, a następnie przeprowadź analizę wzbogacenia klastrów koekspresji. Na koniec wygeneruj dwa pliki dziennika zawierające wszystkie informacje niezbędne do odtworzenia analizy.
Całkowita znormalizowana liczba próbek powinna być podobna, gdy porównuje się zarówno warunki wewnętrzne, jak i pośrednie. Znormalizowana liczba ekspresji genów wykazywała podobną medianę i wariancję, zarówno w warunkach wewnętrznych, jak i pośrednich. W celu zidentyfikowania potencjalnych struktur danych bazowych wygenerowano wykresy PCA.
Zaobserwowano wyraźne rozróżnienie między terapiami i brak było grupowania, co wskazuje na dobrą jakość zestawu danych. Surowe histogramy pvalue zostały wykreślone w celu oceny jakości modelowania. Rozkład surowych wartości p-line był jednolity, z wartością szczytową po lewej stronie rozkładu, zgodnie z oczekiwaniami.
Brak piku po prawej stronie końcowej wskazuje, że modelowanie statystyczne wydaje się poprawne. Przedstawiono profil ekspresji genu CIG62301.1, w każdym genotypie i stanie. Oprócz liczby genów o zróżnicowanej ekspresji w górę i w dół, wykreślono również dla każdego badanego kontrastu.
Analizę koekspresji przeprowadzono na unii pięciu list DEG. Zidentyfikowany przez kontrast, szukając zmienności odpowiedzi na leczenie między genotypem pierwszym lub drugim w porównaniu z innymi. Geny o koekspresji dla każdego zidentyfikowanego klastra wydrukowano w indywidualnych plikach tekstowych i wykreślono profil ekspresji genów.
Dzięki DiCoExpress biolodzy uzyskają analizę ekspresji genów, która jest statystycznie poprawna. Następnym krokiem jest nadanie tym wynikom sensu biologicznego.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
DiCoExpress to narzędzie oparte na skryptach zaimplementowane w języku R do analizy RNA-Seq, obejmujące cały proces od kontroli jakości po analizę koekspresji. Zostało zaprojektowane z myślą o użytkownikach nieposiadających rozległej wiedzy statystycznej, co czyni je dostępnym dla osób niebędących specjalistami w tej dziedzinie.
Kluczowe elementy badania
Dziedzina nauki
- Analiza RNA-Seq
- Ekspresja genów
- Modelowanie statystyczne
Wprowadzenie
- DiCoExpress wykonuje analizę różnicową z wykorzystaniem uogólnionych modeli liniowych.
- Narzędzie to obsługuje zarówno pełne, jak i niezrównoważone układy doświadczalne z maksymalnie dwoma czynnikami biologicznymi.
- Narzędzie ułatwia również analizę wzbogacenia genów wykazujących różną ekspresję.
- Wyniki graficzne są dostarczane w formie umożliwiającej łatwą interpretację i przygotowanie do publikacji.
Cel badania
- W celu umożliwienia analizy RNA-Seq, od kontroli jakości po koekspresję.
- Aby pomóc użytkownikom z ograniczoną wiedzą statystyczną w przeprowadzaniu analizy różnicowej ekspresji genów.
- Aby zapewnić przyjazny interfejs użytkownika do generowania niezbędnych kontrastów.
Zastosowane metody
- Narzędzie oparte na skryptach zaimplementowane w języku R.
- Kontrola jakości danych RNA-Seq.
- Analiza różnicowa oparta na kontrastach w uogólnionym modelu liniowym.
- Analiza wzbogacenia dla genów o różnej ekspresji.
Główne wyniki
- DiCoExpress umożliwia kompleksową analizę RNA-Seq.
- Program generuje wyniki graficzne gotowe do publikacji.
- Narzędzie jest dostępne dla osób niebędących specjalistami, co zwiększa jego użyteczność.
- Skutecznie obsługuje ono różne schematy badawcze.
Wnioski
- DiCoExpress jest wartościowym narzędziem do analizy RNA-Seq.
- Umożliwia ono powszechny dostęp do złożonych analiz statystycznych.
- Przyjazny dla użytkownika charakter narzędzia sprzyja jego szerszemu zastosowaniu w badaniach.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Wieloczynnikowe eksperymenty RNA-Seq wymagają solidnego modelowania statystycznego, aby zapewnić wiarygodną walidację celów oraz minimalizację ryzyka mechanistycznego w fazie wczesnego odkrywania. DiCoExpress standaryzuje potok analizy, umożliwiając powtarzalne analizy różnicowej i koekspresji bez konieczności posiadania zaawansowanej wiedzy statystycznej. Możliwość ta wspiera pewność predykcyjną i selekcję portfela w krytycznych punktach zwrotnych procesu odkrywania.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne odkrywanie i walidacja celu
- Umożliwia weryfikację hipotez poprzez analizę zmian w ekspresji genów pod wpływem wielu czynników biologicznych.
- Wspiera funkcjonalną walidację celów poprzez kwantyfikację różnicowej ekspresji z wykorzystaniem uogólnionych modeli liniowych.
- Ułatwia ograniczanie ryzyka mechanistycznego dzięki analizom koekspresji i wzbogacenia.
- Zapewnia zestandaryzowane wyniki służące do podejmowania decyzji na poziomie portfolio.
Przesiew i opracowanie testu
- Przygotowuje zwalidowane zestawy danych ekspresji genów dla późniejszych etapów procesów przesiewowych.
- Dostarcza powtarzalne, ilościowe wyniki odpowiednie do standaryzacji testów.
- Umożliwia skalowalną analizę w różnych projektach eksperymentalnych i organizmach.
- Wspiera wiarygodną ocenę związków poprzez wyjaśnienie odpowiedzi w zakresie ekspresji genów.
Badania translacyjne i przedkliniczne
- Koreluje sygnatury ekspresji genów ze ścieżkami istotnymi dla choroby, gdy jest to potwierdzone analizą wzbogacenia.
- Zapewnia ciągłość procesu od etapu odkrywania po walidację przedkliniczną poprzez standaryzację interpretacji danych.
- Zmniejsza ryzyko translacyjne, dostarczając statystycznie wiarygodnych list i klastrów genów.
- Umożliwia podejmowanie decyzji o dalszym rozwoju projektu z uwzględnieniem ryzyka w oparciu o solidne wyniki danych.
Integracja potoku i przepływu pracy
DiCoExpress integruje procesy od wczesnego etapu odkrywania do identyfikacji wiodących związków, wspierając testowanie hipotez, wyjaśnianie szlaków sygnałowych oraz ograniczanie ryzyka biologicznego w ramach przepływów pracy RNA-Seq.
- Biologia odkrywcza: Umożliwia testowanie hipotez zerowych oraz analizę szlaków z wykorzystaniem uogólnionych modeli liniowych i klastrowania koekspresji.
- Screening: Zapewnia powtarzalne, ilościowe wyniki ekspresji genów w celu oceny gotowości testów oraz porównań.
- Analityka: Dostarcza odczyty statystyczne, wykresy PCA oraz wyniki wzbogacenia w celu wsparcia analiz międzywarunkowych.
- Badania translacyjne: Łączy wyniki różnicowej ekspresji i koekspresji z potencjalnym odkrywaniem biomarkerów w przypadku przeprowadzenia analizy wzbogacenia.
- Ponowne wykorzystanie w przedsiębiorstwie: Oferuje wielokrotnego użytku, standaryzowany potok przetwarzania w języku R, który można dostosować do różnych organizmów i schematów doświadczalnych.
Wpływ operacyjny i przedsiębiorczy
- Wartość naukowa: Zwiększa pewność predykcyjną i redukuje niejednoznaczność mechanistyczną w badaniach ekspresji genów.
- Wartość operacyjna: Standaryzuje analizę RNA-Seq, zapewniając powtarzalność i skalowalność w ramach zespołów.
- Wartość strategiczna: Usprawnia podejmowanie decyzji o kontynuacji lub przerwaniu prac (go/no-go) oraz zwiększa efektywność kapitałową poprzez dostarczanie solidnych i interpretowalnych wyników.
- Wpływ na portfolio: Umożliwia priorytetyzację skorygowaną o ryzyko oraz rozwój programów badawczych.
Wskazówki dotyczące wdrożenia
- Wymagana jest podstawowa biegłość w języku R w celu wykonania skryptów i zarządzania plikami.
- Do pełnej funkcjonalności niezbędny jest dostęp do programu RStudio oraz pakietu DiCoExpress.
- W celu uzyskania poprawnych wyników analizy wymagane są precyzyjne pliki projektu eksperymentalnego oraz odpowiednie formatowanie danych.
- Metoda obsługuje do dwóch czynników biologicznych i dopuszcza niezrównaną liczbę powtórzeń.
- Proces opiera się na zdefiniowanych przez użytkownika progach filtrowania, normalizacji i istotności statystycznej.
