[论文解读] Fast Approximate Inference of Transcript Expression Levels from RNA-seq Data

James Hensman, Peter Glaus+2 more|arXiv (Cornell University)|Aug 27, 2013

Molecular Biology Techniques and Applications参考文献 16被引用 3

一句话总结

本文提出了一种快速变分贝叶斯推断方法，用于从RNA-seq数据中估计转录本表达水平，利用近期的算法进展加速收敛，超越标准变分期望最大化（VEM）方法。该方法在仅带来轻微估计精度损失的情况下实现了显著的速度提升，其有效性已在模拟数据集和生物数据集上得到验证。

ABSTRACT

Motivation: The mapping of RNA-seq reads to their transcripts of origin is a fundamental task in transcript expression estimation and differential expression scoring. Where ambiguities in mapping exist due to transcripts sharing sequence, e.g. alternative isoforms or alleles, the problem becomes an instance of non-trivial probabilistic inference. Bayesian inference in such a problem is intractable and approximate methods must be used such as Markov chain Monte Carlo (MCMC) and Variational Bayes. Standard implementations of these methods can be prohibitively slow for large datasets and complex gene models. Results: We propose an approximate inference scheme based on Variational Bayes applied to an existing model of transcript expression inference from RNA-seq data. We apply recent advances in Variational Bayes algorithmics to improve the convergence of the algorithm beyond the standard variational expectation-maximisation approach. We apply our algorithm to simulated and biological datasets, demonstrating that the increase in speed requires only a small trade-off in accuracy of expression level estimation. Availability: The methods were implemented in R and C++, and are available as part of the BitSeq project at https://code.google.com/p/bitseq/. The methods will be made available through the BitSeq Bioconductor package at the next stable release.

研究动机与目标

• 解决从RNA-seq数据中进行转录本表达估计时精确贝叶斯推断的计算不可行性问题。
• 在不牺牲估计精度的前提下，提升现有变分贝叶斯方法在转录本表达推断中的速度。
• 应用变分推断算法的最新进展，以提升具有序列模糊性的复杂基因模型中的收敛性能。
• 实现对包含可变剪接型或等位基因变异的大规模RNA-seq数据集的可扩展分析。
• 提供一种实用且高效的工具，适用于高通量基因组学中的转录本表达定量。

提出的方法

• 该方法采用变分贝叶斯推断框架，应用于RNA-seq数据中转录本表达的成熟模型。
• 结合近期的算法改进，使收敛速度超越标准变分期望最大化（VEM）方法。
• 推断过程能够处理由转录本间共享序列（如可变剪接型或等位基因）引起的比对模糊性。
• 算法在R和C++中实现，关键性能组件采用C++实现，确保在大规模数据集上的高效性。
• 采用平均场变分近似方法，简化对转录本表达水平的后验推断。
• 该方法已集成至BitSeq软件项目中，并将通过Bioconductor包发布。

实验结果

研究问题

• RQ1 变分贝叶斯推断是否能够被充分加速，以使大规模RNA-seq数据集的转录本表达估计成为可行？
• RQ2 在复杂基因模型中，所提出方法的收敛速度与标准变分EM相比如何？
• RQ3 在转录本表达定量中，计算速度与估计精度之间的权衡如何？
• RQ4 尽管收敛速度加快，该方法是否仍能保持高精度的表达水平估计？
• RQ5 该方法在具有复杂转录本结构的真实生物数据集上的表现如何？

主要发现

• 所提出的方法在保持高估计精度的同时，相较于标准变分EM实现了显著的速度提升。
• 由于变分推断算法的最新进展，该算法的收敛速度优于基线方法。
• 在模拟数据集中，与计算更慢的精确方法或MCMC方法相比，该方法的估计精度仅略有下降。
• 该方法在包含可变剪接型的复杂转录本模型生物RNA-seq数据集中表现出稳健性能。
• 通过C++和R的混合实现，能够高效处理大规模RNA-seq数据，适用于高通量应用场景。
• 该方法将通过BitSeq项目发布，并将集成至下一个稳定版Bioconductor发布中。