[論文レビュー] Biological Averaging in RNA-Seq

Surojit Biswas, Yash Agrawal+3 more|arXiv (Cornell University)|Sep 3, 2013

Gene expression and cancer classification参考文献 23被引用数 13

ひとこと要約

本稿では、複数の個体からのmRNAをシーケンシング前にプールする生物学的平均化RNA-Seq実験を対象とした非パラメトリックな差分発現分類器であるICRBCを提案する。ICRBCはLOESS平滑化を用いた不均一分散推定を採用し、標準的手法（edgeRなど）と87–95%の高い一致度を示す。特にプールが均等で、調節ゲノムの20%未満が差分発現している場合に有効であり、最大50%のシーケンシングデータ削減が可能で、コスト効率に優れる。

ABSTRACT

RNA-seq has become a de facto standard for measuring gene expression. Traditionally, RNA-seq experiments are mathematically averaged -- they sequence the mRNA of individuals from different treatment groups, hoping to correlate phenotype with differences in arithmetic read count averages at shared loci of interest. Alternatively, the tissue from the same individuals may be pooled prior to sequencing in what we refer to as a biologically averaged design. As mathematical averaging sequences all individuals it controls for both biological and technical variation; however, is the statistical resolution gained always worth the additional cost? To compare biological and mathematical averaging, we examined theoretical and empirical estimates of statistical efficiency and relative cost efficiency. Though less efficient at a fixed sample size, we found that biological averaging can be more cost efficient than mathematical averaging. With this motivation, we developed a differential expression classifier, ICRBC, that can detect alternatively expressed genes between biologically averaged samples. In simulation studies, we found that biological averaging and subsequent analysis with our classifier performed comparably to existing methods, such as ASC, edgeR, and DESeq, especially when individuals were pooled evenly and less than 20% of the regulome was expected to be differentially regulated. In two technically distinct mouse datasets and one plant dataset, we found that our method was over 87% concordant with edgeR for the 100 most significant features. We therefore conclude biological averaging may sufficiently control biological variation to a level that differences in gene expression may be detectable. In such situations, ICRBC can enable reliable exploratory analysis at a fraction of the cost, especially when interest lies in the most differentially expressed loci.

研究の動機と目的

• 生物学的平均化と数学的平均化のRNA-Seq実験における統計的・コスト効率を評価すること。
• 個体のリPLICATEをシーケンシング前にプールする生物学的平均化設計に特化した、堅牢な差分発現分類器ICRBCの開発。
• edgeR、ASC、DESeqといった既存手法と比較して、ICRBCの性能をさまざまなプール条件および生物学的変動レベルで評価すること。
• 生物学的平均化にICRBCを組み合わせた場合、従来の数学的平均化実験と比較して統計的に妥当かつコスト効率の良い代替手段として有効な条件を特定すること。
• 特に顕著に差分発現する遺伝子座の正確性を、実証的およびシミュレーションベースの検証により検証すること。

提案手法

• ICRBCは、遺伝子座ごとの対数発現差の不均一分散関数を非パラメトリックなLOESS平滑化手順で推定し、発現分布のパラメトリックな仮定を回避する。
• 本手法は、平均発現レベルを前提とした場合に、予期しないほど大きな対数発現差として差分発現を定義し、信頼領域に基づく分類フレームワークを用いる。
• ICRBCは、平均発現量を条件として対数比差の帰無分布をモデル化し、ゲノムワイドな発現パターンを活用して分散推定を改善する。
• シミュレーションスタディを通じて、サンプルサイズ、プールの均等性、差分発現遺伝子の割合（最大20%まで）の変動を想定して検証を行う。
• 2つのマウスおよび1つの植物RNA-Seqデータセットを用い、ICRBCとedgeR、ASCを比較して一致度およびFDR性能を評価する。
• 生物学的平均化と数学的平均化の両設計において、パワー、FDR、シーケンシングコストを比較することで、統計的効率および相対的コスト効率を評価する。

実験結果

リサーチクエスチョン

• RQ1 どのような条件下で生物学的平均化がRNA-Seq実験において数学的平均化よりもコスト効率が高くなるか？
• RQ2 プールの均等性が生物学的平均化設計における差分発現検出の統計的パワーと正確性に与える影響は何か？
• RQ3 edgeRと同等の性能を示す非パラメトリック分類器ICRBCが、プールドRNA-Seqデータからの差分発現遺伝子検出において、ASCのようなパラメトリック手法を上回るか？
• RQ4 生物学的平均化実験において、ICRBCが高い正確性と低いFDRを維持できる差分発現遺伝子の最大割合は何か？
• RQ5 技術的および生物学的変動が変動する実世界のデータセットにおいて、ICRBCの性能は、ゴールドスタンダードとされるedgeRと比較してどうなるか？

主な発見

• 2つのマウスおよび1つの植物データセットにおいて、ICRBCは最も顕著な差分発現特徴（上位100位）についてedgeRと87%以上の一致度を示し、トップヒットの信頼性が非常に高いことを示した。
• シミュレーションでは、10人以上の個体が均等にプールされた場合、FDRが0.001にまで低下する中で、ICRBCは差分発現特徴の75%を検出できた。これは高い感度を示している。
• シミュレーションおよび実データ両方において、ICRBCはASCを上回った。特に不均一プール条件下では、ASCは高いばらつきと精度の低下を示した。
• 生物学的変動が大きく、プールが均等な場合、特に調節ゲノムの20%未満が差分発現している場合には、生物学的平均化が数学的平均化よりも統計的にコスト効率に優れていることが判明した。
• ICRBCの非パラメトリックLOESSベース分散推定は、ASCのパラメトリックなシフト指数関数的仮定に比べ、不均一なゲノムワイド発現分布をよりよく捉えており、しばしば観察される二峰性発現パターンを反映できていなかったASCの仮定に比べ、優れている。
• Bottomlyデータセットでは、ICRBCが上位4,160特徴についてedgeRと95%以上の一致度を維持した。これは、顕著に差分発現する遺伝子座の探索的解析において優れた性能を示している。