针对单细胞转录组案例对照研究的重复性聚焦的元分析方法揭示了强大的差异表达基因.

科学领域:

• 基因组学就是基因组学.
• 神经科学是一个神经科学.
• 传染性疾病 传染性疾病

背景情况:

• 单细胞RNA测序 (scRNA-seq) 研究为疾病研究产生了大量数据集.
• 差异表达基因 (DEGs) 在研究中的可复制性对于可靠的生物标志物发现至关重要.
• 以前的分析表明,在神经和传染病中,DEGs的可变重复性.

研究的目的:

• 在阿尔茨海默氏症 (AD),帕金森氏症 (PD),精神分裂症 (SCZ) 和COVID-19 scRNA-seq研究中评估DEGs的可重现性.
• 开发和验证一种新的元分析方法,以提高DEG的可复制性和预测能力.
• 为了确定强大的DEG和相关的生物途径,这些疾病.

主要方法:

• 从已发表的AD,PD,SCZ和COVID-19 scRNA-seq数据集中评估了DEGs的可复制性.
• 开发了SumRank,一种基于相对差异表达式等级可重现性的非参数元分析方法.
• 将SumRank与数据集合并和反方差加权p值聚合方法进行比较.

主要成果:

• 个人PD和COVID-19 DEG数据集显示中等预测能力 (AUC=0.77,0.75);AD和SCZ显示较差的预测能力 (AUC=0.68,0.55).
• SumRank 改善了跨疾病的DEG预测能力 (AUC=0.88,0.91,0.78,0.62).
• 与其他方法相比,SumRank衍生的DEG表现出更高的特异性和灵敏性,并揭示了已知的/新的途径,包括对AD小鼠寡细胞中的BCAT1的验证.

结论:

• SumRank方法显著提高了scRNA-seq研究中的DEGs的可复制性和预测能力.
• 这种方法有助于更可靠地发现与疾病相关的基因和复杂疾病中的途径.
• 了解影响研究可重现性的因素对于未来的转录组学实验设计至关重要.