Estimación precisa del efecto de variantes en datos de escaneo de mutagénesis profundo basados en FACS con Lilace

Área de la Ciencia:

• Genómica
• Biofísica
• Biología Computacional

Sus antecedentes:

• El escaneo de mutagénesis profundo (DMS) con clasificación celular activada por fluorescencia (FACS) es una técnica potente de alto rendimiento.
• Vincular variantes genéticas a fenotipos moleculares utilizando datos de DMS-FACS presenta desafíos analíticos debido a la varianza de la medición y las lecturas complejas.
• Los métodos estadísticos existentes son insuficientes para analizar los datos multidimensionales generados por DMS basados en FACS.

Objetivo del estudio:

• Presentar Lilace, un novedoso modelo estadístico bayesiano.
• Proporcionar cuantificación de la incertidumbre para los efectos de variantes estimados a partir de experimentos de DMS basados en FACS.
• Abordar los desafíos analíticos en el análisis de datos de DMS-FACS.

Principales métodos:

• Desarrollo de Lilace, un modelo estadístico bayesiano.
• Validación utilizando conjuntos de datos simulados.
• Aplicación a conjuntos de datos de DMS del mundo real (OCT1 y Kir2.1).

Principales resultados:

• Lilace estima eficazmente los efectos de las variantes con la incertidumbre asociada.
• El modelo demuestra robustez y un rendimiento mejorado en datos simulados.
• La aplicación a los conjuntos de datos OCT1 y Kir2.1 mostró una reducción en la tasa de falsos descubrimientos manteniendo la sensibilidad.

Conclusiones:

• Lilace ofrece un marco estadístico robusto para analizar experimentos de DMS basados en FACS.
• El modelo mejora la precisión de la estimación del efecto de variantes y la cuantificación de la incertidumbre.
• Lilace representa un avance significativo en el análisis de datos de variantes genéticas de alto rendimiento.