[論文レビュー] Finding the centre: corrections for asymmetry in high-throughput sequencing datasets

Jia Wu, Jean M. Macklaim+2 more|arXiv (Cornell University)|Apr 6, 2017

Geochemistry and Geologic Mapping被引用数 9

ひとこと要約

この論文は、ハイ・スループット・シークエンシング（HTS）データにおける非対称性と構成的バイアスを、CLRおよびALRの拡張によるロジスティック比変換を用いて、頑健でベイジアンな構成的解析で解消することを目的としている。非補正の非対称性が、差分発現解析において誤検出（偽陽性および偽陰性）を引き起こすことを示し、事前に定義された基準を用いた基底依存補正を提案。この補正は、ALDEx2（Bioconductor用）に実装されており、スパースで非平衡なデータセットにおいて、推論の正確性を顕著に向上させている。

ABSTRACT

High throughput sequencing is a technology that allows for the generation of millions of reads of genomic data regarding a study of interest, and data from high throughput sequencing platforms are usually count compositions. Subsequent analysis of such data can yield information on tran- scription profiles, microbial diversity, or even relative cellular abundance in culture. Because of the high cost of acquisition, the data are usually sparse, and always contain far fewer observations than variables. However, an under-appreciated pathology of these data are their often unbalanced nature: i.e, there is often systematic variation between groups simply due to presence or absence of features, and this variation is important to the biological interpretation of the data. A simple example would be comparing transcriptomes of yeast cells with and without a gene knockout. This causes samples in the comparison groups to exhibit widely varying centres. This work extends a previously described log-ratio transformation method that allows for variable comparisons between samples in a Bayesian compositional context. We demonstrate the pathology in modelled and real unbalanced experimental designs to show how this dramatically causes both false negative and false positive inference. We then introduce several approaches to demonstrate how the pathologies can be addressed. An extreme example is presented where only the use of a predefined basis is appropriate. The transformations are implemented as an extension to a general compositional data analysis tool known as ALDEx2 which is available on Bioconductor.

研究の動機と目的

• ハイ・スループット・シークエンシング（HTS）データにおける非対称性の軽視されがちな病理的要因に対処すること。非対称性は、特徴の存在／不在に起因する系の変動であり、真の生物学的変化とは無関係である。
• 標準的なカウントベースの手法が、構成的バイアスのため失敗し、差分発現解析において偽陽性および偽陰性を引き起こすことを示すこと。
• 事前に定義された基底を用いた非対称性補正を導入することで、ベイジアンな構成的データ解析を拡張し、スパースで非平衡な実験設計においても頑健性を向上させること。
• ALDEx2というBioconductorツールへの統合を通じて、実用的な解決策を提供することにより、HTSデータの正確で信頼性の高い解釈を可能にすること。

提案手法

• 中心対数比（CLR）変換を用い、log(xi / g(x)) で定義される。ここで g(x) は全特徴の幾何平均である。この変換により比の安定化とスケール不変性が確保される。
• 加法的対数比（ALR）変換を適用し、log(xi / xD) を用いる。ここで xD は選択された基準特徴（例：ハウスキーピング遺伝子または不変なOTU）を分母として用いることで、相対的比較が可能になる。
• スパースで非平衡なデータにおいて特に重要となる、事前に定義された安定した特徴を基準として選ぶことで、基底依存補正を導入する。
• 高次元でスパースなHTSデータにおいて、誤った推論を低減し、頑健性を向上させるために、構成的フレームワーク内でのベイジアン推定を採用する。
• シミュレーテッドおよび実際のHTSデータセット（膣微生物叢研究およびイーストキックアウトトランスクリプトームを含む）を用いて、手法の妥当性を検証する。
• ALDEx2（HTSデータの構成的解析に広く用いられるBioconductorパッケージ）への拡張として、本手法を実装する。

実験結果

リサーチクエスチョン

• RQ1 非平衡なHTSデータに起因する構成的バイアスは、現実の実験設計における差分発現推論にどのように影響を及ぼすか？
• RQ2 ネガティブ・バイノミアルモデルなどの標準的カウントベースの手法は、HTSデータの本質的な構成的性質ゆえに、どの程度失敗するのか？
• RQ3 ALR変換における事前定義された基底の選択は、非対称データセットにおける偽陽性および偽陰性率を顕著に低減できるか？
• RQ4 スパースで非平衡なHTSデータにおいて、基準特徴の選択が差分発現結果の頑健性にどのように影響を及けるか？
• RQ5 CLRおよびALR補正を用いたベイジアン構成的モデリングは、従来の正規化および仮説検定手法に比べ、統計的推論を顕著に改善できるか？

主な発見

• 特徴の存在／不在に起因する系の変動を伴う非平衡なHTSデータは、標準的なカウントベースのモデルで解析した場合、顕著な偽陽性および偽陰性を引き起こす。
• CLR変換は比の安定化とスケール不変性を効果的に維持するが、サンプル間で総読取数が顕著に異なる場合には失敗する。
• ハウスキーピング遺伝子や豊富なOTUなどの事前に定義された安定した特徴を基準として用いたALR変換は、極めて非対称なデータセットにおいても頑健な解決策を提供する。
• 極端な状況、例えば唯一の特徴が一貫して存在する場合、幾何平均の不安定性のためCLRは失敗するが、事前に定義された基底（ALR）を用いることでのみ信頼できる推論が得られる。
• 提案された補正手法は、イーストキックアウト研究およびヒト膣微生物叢コhortを含む実データセットにおいて、差分発現の正確性を顕著に向上させた。
• ALDEx2への統合により、研究者がこれらの補正を直接適用可能となり、構成的HTSデータ解析の再現性および信頼性が向上した。