聚合recount3RNA-seq数据可以更好地推断共识和组织特异性基因协同表达网络
Prashanthi Ravichandran1, Princy Parsana2, Rebecca Keener1
1Department of Biomedical Engineering, Johns Hopkins University, Baltimore, Maryland 21218, USA.
Genome research
|July 17, 2025
概括
这项研究通过开发一种新的注释管道来增强使用大型RNA-seq数据集的基因共同表达网络 (GCN) 推断. 汇总数据和计算混因素可以提高网络准确性,并识别复杂特征的关键基因.
科学领域:
- 基因组学和生物信息学
- 系统生物学 系统生物学
- 计算生物学 计算生物学
背景情况:
- 基因共同表达网络 (GCN) 对于理解细胞功能至关重要,但很难从小型RNA-seq数据集中可靠地推断出来.
- 大规模的公共RNA-seq数据,如recount3,为改进GCN重建提供了潜力,但由于数据不一致和混因素而面临挑战.
研究的目的:
- 开发和验证一个计算管道,用于从大型,聚合的RNA-seq数据集中进行可靠的GCN推断.
- 建立数据聚合和分析的最佳实践,以优化GCN重建.
- 利用增强的GCN来识别生物学相关的基因和理解复杂的特征遗传性.
主要方法:
- 开发了一个基于细胞类型组成的RNA-seq样本的注释管道,以解决标签不一致的问题.
- 实施数据聚合策略,包括回归研究特定的混因素,并优先考虑更大的研究.
- 推断共识和特定环境的GCN,分析了中心基因属性,并为遗传性丰富衍生了变异注释.
主要成果:
- 优化的数据聚合策略显著提高了GCN重建的准确性.
- 推断的共识网络揭示了进化约束的基因和无处不在的途径,而特定的网络突出了特定组织的转录因子.
- 来自特定环境网络的衍生变体注释显示了复杂特征可遗传性的显著丰富,独立于现有的功能注释.
结论:
- 数据聚合,当与适当的混纠正和注释策略相结合时,可以大大提高GCN推断.
- 推断网络为基因功能,细胞过程和复杂特征的遗传结构提供了宝贵的见解.
- 未来的改进可能涉及整合多omics数据 (例如,Hi-C,ChIP-seq) 以进一步完善网络重建.
