对多个基因本体学丰富工具的基准测试揭示了数据集之间的高生物学意义,排名和严格异质性
Fábio Henrique Schuster de Oliveira1, Felipe Acker Gomes1, Bruno César Feltes1
1Laboratory of DNA Repair and Aging, Department of Biophysics, Institute of Biosciences, Federal University of Rio Grande do Sul, Porto Alegre, Brazil.
基因本体 (GO) 丰富工具的基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因 调查结果突出了工具如何优先考虑路径和处理不断增加的输入大小的差异,这对于OMIC数据分析至关重要.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 蛋白质组学是指蛋白质组学.
背景情况:
- 功能丰富分析 (FEA) 通过从基因/蛋白质列表中识别生物含义来解释omics数据.
- 使用基因本体学 (GO) 的过度代表性分析 (ORA) 是一种流行的FEA方法,但基准测试通常优先考虑性能而不是生物准确性.
- 需要对基于ORA的GO丰富工具进行全面比较,以了解它们的生物信息性和可解释性.
研究的目的:
- 为了对12种流行的基于ORA的GO丰富工具的生物准确性和性能进行基准测试.
- 确定这些工具如何处理不同输入大小的差异,并优先考虑生物途径.
- 为选择适当的FEA工具提供数据驱动的洞察力,用于OMIC数据分析.
主要方法:
- 评估了12个GO丰富工具 (DAVID,PANTHER,WebGestalt,Enrichr,ShinyGO,limma,topGO,GOstats,clusterProfiler,g:Profiler,ClueGO,BiNGO) 使用负数,正数和实验衍生的数据集.
- 测试了不同大小的基因组 (500,200,100,50个基因),以评估输入大小的影响.
- 使用语义相似度指标计算错误阳性率 (FPR),准确性,GO术语特异性和目标本体学优先级.
主要成果:
- 尽管使用相同的ORA方法和GO数据库,但工具之间的结果存在显著差异.
- 在各种工具中观察到丰富结果的信息性和解释性存在相当大的差异.
- 工具的性能因输入大小而异,有些工具在基因列表大小增加时难以有效地优先考虑路径;一些工具在发现中更加保守.
结论:
- 选择GO缩工具对从omics数据中获得的生物见解产生重大影响.
- 现有的基准标准往往忽视了诸如生物信息性和可解释性等关键指标.
- 这项研究为选择合适的FEA工具提供了有价值的数据,突出了性能差异和细致基准测试的需要.
更多相关视频
03:08Using Human Differentially Expressed Gene Lists to Perform Downstream Pathway Enrichment Analysis and Target Prioritization
Published on: October 3, 2025
09:35A Protocol for Using Gene Set Enrichment Analysis to Identify the Appropriate Animal Model for Translational Research
Published on: August 16, 2017
相关概念视频
Genome Annotation and Assembly
Genomics
Comparing Mitochondrial, Chloroplast, and Prokaryotic Genomes
Evolutionary Relationships through Genome Comparisons
