一个RNA-seq数据规范化方法的基准,用于在人类基因组规模的代谢网络上进行转录组映射
Hatice Büşra Lüleci1, Dilara Uzuner1, Müberra Fatma Cesur1
1Department of Bioengineering, Gebze Technical University, Kocaeli, 41400, Turkey.
NPJ systems biology and applications
|October 25, 2024
概括
选择正确的RNA-seq规范化方法对于使用iMAT和INIT等算法创建准确的特定条件代谢模型至关重要. 样本间正常化方法 (RLE,TMM,GeTMM) 为与疾病相关的基因提供了更好的预测准确性.
科学领域:
- 计算生物学是一种计算生物学.
- 系统生物学 系统生物学
- 生物信息学是一种生物信息学.
背景情况:
- 基因组规模代谢模型 (GEMs) 需要转录组数据来进行特定条件的个性化.
- 综合代谢分析工具 (iMAT) 和组织综合网络推理 (INIT) 是这一过程的关键算法.
- RNA测序 (RNA-seq) 数据的规范化影响模型的准确性.
研究的目的:
- 为了对iMAT和INIT的RNA-seq规范化方法进行基准测试.
- 评估共变量 (年龄,性别) 对个性化代谢模型生成的影响.
- 为了比较样本间 (TMM,GeTMM,RLE) 和样本内 (TPM,FPKM) 的规范化策略.
主要方法:
- 应用了五种规范化方法 (TPM,FPKM,TMM,GeTMM,RLE) 和它们的共变量调整版本到RNA-seq数据.
- 利用iMAT和INIT算法从规范化数据生成个性化的代谢模型.
- 使用阿尔茨海默病 (AD) 和肺腺癌 (LUAD) 患者的RNA-seq数据验证模型性能.
主要成果:
- 与样本内方法相比,样本间规范化方法 (RLE,TMM,GeTMM) 产生了反应变异性较低的模型.
- RLE,TMM和GeTMM在识别与疾病相关的基因方面取得了更高的准确性 (AD约0.80,LUAD约0.67).
- 共变量调整在所有规范化方法中总体上提高了预测准确度.
结论:
- 优选采用样本间正常化方法,使用iMAT和INIT生成特定条件的GEM,减少错误阳性.
- 规范化选择显著影响个性化代谢模型的准确性.
- 共变量调整是提高转录组数据在代谢建模中的预测能力的重要一步.
