[論文レビュー] Robustly detecting differential expression in RNA sequencing data using observation weights

Xiaobei Zhou, Helen Lindsay+1 more|arXiv (Cornell University)|Dec 12, 2013

Gene expression and cancer classification参考文献 38被引用数 9

ひとこと要約

本論文は、外れ値の影響を軽減する観察重みを用いた、RNA-seq データに対する頑健な差分発現解析手法を提案している。この手法は、極端な値に対して耐性を高めつつ統計的パワーを損なわずに、外れ値の影響を軽減する。既存のフレームワーク（例：edgeR）に統合可能であり、シミュレーションおよび実データにおいて優れた性能を示し、誤検出を低減しながらさまざまな外れ値状況下でも高いパワーを維持する。

ABSTRACT

A popular approach for comparing gene expression levels between (replicated) conditions of RNA sequencing data relies on counting reads that map to features of interest. Within such count-based methods, many flexible and advanced statistical approaches now exist and offer the ability to adjust for covariates (e.g., batch effects). Often, these methods include some sort of (sharing of information) across features to improve inferences in small samples. It is important to achieve an appropriate tradeoff between statistical power and protection against outliers. Here, we study the robustness of existing approaches for count-based differential expression analysis and propose a new strategy based on observation weights that can be used within existing frameworks. The results suggest that outliers can have a global effect on differential analyses. We demonstrate the effectiveness of our new approach with real data and simulated data that reflects properties of real datasets (e.g., dispersion-mean trend) and develop an extensible framework for comprehensive testing of current and future methods. In addition, we explore the origin of such outliers, in some cases highlighting additional biological or technical factors within the experiment. Further details can be downloaded from the project website: http://imlspenticton.uzh.ch/robinson_lab/edgeR_robust/

研究の動機と目的

• 既存のカウントベースの差分発現手法が、RNA-seq データにおける外れ値に対して感受性を示す問題に対処すること。
• 極端な観察値の影響を軽減しつつパワーを損なわない頑健な統計的フレームワークを開発すること。
• 現実的な条件下で DE 手法を評価・比較可能な拡張可能なシミュレーションシステムを提供すること。
• 異なる外れ値処理戦略（例：最大分散、クックの距離、滑らかな重み付けの低減）が分散推定および誤発見率制御に与える影響を調査すること。
• edgeR などの既存ツールへの統合を可能にすることで、実用的採用を促進すること。

提案手法

• 極端なカウントの尤度寄与度における影響を低減する観察重みを導入し、パrameter推定への影響を軽減する。
• edgeR で用いられる負の二項分布モデルの枠組み内で再重み付けスキームを適用し、分散および対数オッズ比の推定を修正する。
• 外れ値の影響を滑らかに低減する頑健な推定戦略を採用し、ハードな閾値や特徴量の完全な削除を避ける。
• 実際の分散-平均トレンドに基づいてカウントデータを生成するための拡張可能なシミュレーションシステムを開発し、制御された形での外れ値および差分発現の導入を可能にする。
• 標準化されたラッパー関数を用いて、入出力フォーマットの一貫性を保ちつつ、新規または改変された手法のプラグイン評価を可能にする。
• 多様なシミュレーション設定で手法のパフォーマンスを可視化・比較できる、インタラクティブな Shiny ウェブアプリケーションを提供する。

実験結果

リサーチクエスチョン

• RQ1 RNA-seq カウントデータにおける外れ値は、edgeR や DESeq などの既存手法における差分発現推論にどのように影響を与えるか？
• RQ2 観察重みを用いることで、外れ値に対して頑健でありながら高い統計的パワーを維持できるか？
• RQ3 最大分散、クックの距離、滑らかな重み付けの低減といった異なる外れ値処理戦略が、誤発見率およびパワーに与える影響は何か？
• RQ4 外れ値が存在する状況下で、現在の手法は誤発見率を適切に制御できているか？また、これを改善できるか？
• RQ5 提案された再重み付けフレームワークは、既存の DE 分析パイプラインへの一般化および統合にどの程度適しているか？

主な発見

• RNA-seq データにおける外れ値は、特に dispersion 潤和を用いる手法（例：edgeR）において、分散推定を全体的に歪め、誤発見率を上昇させる。
• 観察重みアプローチは、極端な観察値がパrameter推定に与える影響を顕著に低減し、より信頼性の高い差分発現の判定を可能にする。
• 外れ値が存在する状況下でも、非頑健な代替手法と比較して僅かな損失しか被らず、高い統計的パワーを維持する。
• DESeq が最大分散推定を用いるのは頑健ではあるが、過剰に慎重である。一方、DESeq2 がクックの距離を用いて外れ値特徴量を除外する戦略は、それらが真に差分発現している場合にパワーを損なう。
• シミュレーションフレームワークは、実データの特性（分散-平均トレンドなど）を的確に再現できており、DE 手法の包括的かつ再現可能な評価を可能にする。
• 再重み付け戦略は、ハードな除外やフル尤度アプローチと比較して、多様なシミュレーション設定において頑健性とパワーのバランスを優れて達成する。