[論文レビュー] Comprehensive evaluation of differential expression analysis methods for RNA-seq data

Franck Rapaport, Raya Khanin+6 more|arXiv (Cornell University)|Jan 22, 2013

Cancer-related molecular mechanisms research被引用数 10

ひとこと要約

本研究は、実験的に検証されたDE遺伝子を有するSEQCベンチマークデータセットを用い、edgeR、DESeq、limma、Cuffdiff、PoissonSeq、baySeqの6つの主要なRNA-seq差分発現解析手法を評価した。その結果、生物学的リピートの増加が、シーケンシング深度の増加よりも顕著にDE検出性能を向上させることを示し、特にvoom正規化を用いたlimmaは、array最適化手法であるにもかかわらず、RNA-seqに特化したツールと同等またはそれ以上の性能を示したことがわかった。

ABSTRACT

High-throughput sequencing of RNA transcripts (RNA-seq) has become the method of choice for detection of differential expression (DE). Concurrent with the growing popularity of this technology there has been a significant research effort devoted towards understanding the statistical properties of this data and the development of analysis methods. We report on a comprehensive evaluation of the commonly used DE methods using the SEQC benchmark data set. We evaluate a number of key features including: assessment of normalization, accuracy of DE detection, modeling of genes expressed in only one condition, and the impact of sequencing depth and number of replications on identifying DE genes. We find significant differences among the methods with no single method consistently outperforming the others. Furthermore, the performance of array-based approach is comparable to methods customized for RNA-seq data. Perhaps most importantly, our results demonstrate that increasing the number of replicate samples provides significantly more detection power than increased sequencing depth.

研究の動機と目的

• 広く使用されているRNA-seq差分発現解析手法が生物学的に意味のあるデータ上でどのように性能を発揮するかを評価すること。
• 正規化戦略、偽陽性制御、シーケンシング深度およびリピート数への感受性を評価すること。
• array最適化手法であるlimmaが、RNA-seqに特化したツールと同等またはそれ以上のDE検出性能を示すかどうかを特定すること。
• 実証的ベンチマークに基づき、RNA-seq研究における実験設計の実用的ガイドラインを提供すること。

提案手法

• 本研究は、ヒト全身および脳由来リファレンスRNAとスパイクインコントロール、TaqMan qPCRで検証済みのDE遺伝子を含む、SEQC RNA-seqベンチマークデータセットを用いた。
• Cuffdiffを除く全手法に対して、HTSeqを用いて固定されたカウント行列を生成した。Cuffdiffは独自のCufflinksベースの定量法を用いた。
• 正規化の正確性、DE検出感度と特異度、片方の条件下でのみ発現する遺伝子に対する性能、およびシーケンシング深度とリピート数の影響という4つの主要な指標で手法を評価した。
• 偽発見率とROC解析を用いて手法の性能を比較し、帰無仮説モデルと検出パワーに注目した。
• limmaにおける2つの正規化手法をテストした：分位数正規化とvoom変換。voom変換は、カウントを対数正規分布としてモデル化し、精度重みを付与する。
• シーケンシング深度とリピート数を変化させた比較を通じて、両者のDE検出パワーへの寄与を分離した。

実験結果

リサーチクエスチョン

• RQ1 実際の生物学的データを用いた場合、どの差分発現解析手法が真のDE遺伝子を最も高い感度と特異度で検出できるか？
• RQ2 正規化手順は、異なる手法間でDE検出の正確性にどのように影響するか？
• RQ3 シーケンシング深度の増加と生物学的リピート数の増加のどちらが、DE遺伝子の検出により高いパワーをもたらすか？
• RQ4 array最適化手法（例：limma）は、RNA-seqに特化したツールと比較してDE検出性能で同等か、それ以上か？
• RQ5 片方の条件下でのみ発現する遺伝子—DE解析において挑戦的とされる状況—では、各手法はどのように性能を発揮するか？

主な発見

• すべての指標で一貫して優れた性能を示した手法は存在しなかったが、負の二項分布モデルに基づくedgeR、DESeq、baySeqは、偽陽性率が低く、感度と特異度のバランスに優れていた。
• Cuffdiffは偽陽性率が高く、感度が低く、これはスプライスアイソフォームの発現と転写産物長を考慮する複雑な正規化に起因すると考えられる。
• 元々マイクロアレイ向けに開発されたlimmaパッケージは、RNA-seqに特化したツールと同等またはそれ以上の性能を示した。特にvoom正規化を用いた場合に顕著であった。
• 生物学的リピートの増加は、特に低発現遺伝子に対して、シーケンシング深度の増加よりも顕著に検出パワーを向上させた。
• limmaにおけるvoom正規化は偽陽性を低減し、シーケンシング深度およびリピート数への感受性を向上させ、分位数正規化を上回った。
• 負の二項分布モデルに基づく手法（例：edgeR、DESeq、baySeq）は、ポissonベースまたはモデル非依存のアプローチに比べ、偽陽性の制御が優れていた。