[论文解读] 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 13

一句话总结

本文提出 ICRBC，一种用于生物平均RNA-Seq实验的非参数差异表达分类器，其中多个个体的mRNA在测序前被混合。ICRBC 使用 LOESS 平滑的异方差方差估计方法，以检测具有高一致性（87–95%）的差异表达基因，与 edgeR 等标准方法相比表现优异，尤其在混合均匀且调控组中差异表达基因比例低于20%时，可将测序数据量减少高达50%，提供一种成本效益更高的替代方案。

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.

研究动机与目标

• 评估生物平均与数学平均在RNA-Seq实验中的统计效率与成本效率。
• 开发一种针对生物平均设计（即个体生物学重复在测序前混合）的稳健差异表达分类器 ICRBC。
• 评估 ICRBC 相对于 edgeR、ASC 和 DESeq 等成熟方法在不同混合条件与生物变异水平下的性能表现。
• 确定在何种条件下，结合 ICRBC 的生物平均可作为传统数学平均RNA-Seq实验在统计上可行且成本更低的替代方案。
• 通过实证与模拟研究验证 ICRBC 的准确性，尤其针对最显著差异表达的基因座。

提出的方法

• ICRBC 采用非参数 LOESS 平滑程序，对基因座间对数表达差异的异方差方差函数进行估计，避免对表达分布的参数假设。
• 该方法将差异表达定义为：在给定平均表达水平下，观察到的对数表达差异出乎意料地大，采用基于置信区域的分类框架。
• ICRBC 通过基于平均表达水平的条件分布建模，对对数比差异的零假设分布进行建模，利用全基因组表达模式以改善方差估计。
• 通过在不同样本量、混合均匀度及差异表达基因比例（最高达20%）下进行模拟研究，对分类器进行验证。
• 使用两个小鼠和一个植物RNA-Seq真实数据集，应用 ICRBC 分析并对比 edgeR 和 ASC，评估一致性与 FDR 表现。
• 通过比较生物平均与数学平均设计下的统计效能、FDR 与测序成本，评估统计效率与相对成本效率。

实验结果

研究问题

• RQ1 在何种条件下，生物平均在RNA-Seq实验中比数学平均更具成本效率？
• RQ2 混合均匀度如何影响生物平均设计中差异表达检测的统计效能与准确性？
• RQ3 非参数分类器 ICRBC 是否能在从混合RNA-Seq数据中检测差异表达基因方面，实现与 ASC 等参数方法相当或更优的性能？
• RQ4 ICRBC 在生物平均实验中，能保持高准确率与低 FDR 的最大差异表达基因比例是多少？
• RQ5 在具有不同技术与生物变异性的现实数据集中，ICRBC 与作为金标准的 edgeR 相比表现如何？

主要发现

• 在两个小鼠和一个植物数据集中，ICRBC 对前100个最显著差异表达特征的检测与 edgeR 的一致性超过87%，表明其在关键基因座上具有极强的可靠性。
• 在模拟研究中，当10个或以上个体被均匀混合时，ICRBC 在 FDR 低至 0.001 的情况下仍能检测到75%的差异表达特征，表现出高敏感性。
• 在模拟与真实数据中，ICRBC 均优于 ASC，尤其在混合不均的情况下，ASC 表现出高变异性和降低的准确性。
• 当生物变异较高且混合均匀时，生物平均在统计上比数学平均更具成本效率，尤其在调控组中差异表达基因比例低于20%时。
• ICRBC 中基于非参数 LOESS 的方差估计方法，比 ASC 所采用的参数化偏移指数分布假设更能准确捕捉全基因组表达分布的异质性，后者常无法反映观察到的双峰表达模式。
• 在 Bottomly 数据集中，ICRBC 对前4,160个特征与 edgeR 的一致性超过95%，表明其在高度显著基因座的探索性分析中表现优异。