Bayes Yolu Zenginleşme Analizi
Bayesian Pathway Enrichment Analysis · Ayrıca şöyle bilinir: Bayesian gene-set testing, Bayesian GSEA, Bayesian functional enrichment, BGSEA
Bayes yolu zenginleşme analizi, önceden tanımlanmış bir gen kümesinin (biyolojik bir yolak) bir deneyde diferansiyel aktivite kanıtı gösteren genler arasında sistematik olarak aşırı temsil edilip edilmediğini test eder. Klasik aşırı temsil testlerinin aksine, önsel biyolojik bilgiyi bir önsel dağılım olarak kodlar ve bunu gözlemlenen ifade verileriyle güncelleyerek p-değerleri yerine zenginleşmenin sonsal olasılıklarını verir. Bu olasılıksal çerçeve, küçük örneklemleri, birden çok yolakları ve belirsizlik yayılımını tutarlı bir istatistiksel çerçevede doğal olarak ele alır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Örneklem boyutlarının küçük olduğu (grup başına 6-10 tekrardan az), klasik hipergeometrik veya permütasyon tabanlı GSEA'nın kararsızlığa yatkın olduğu durumlarda; katlama-değişim tahminlerini bilinen olarak ele almak yerine diferansiyel ifade belirsizliğini zenginleşme testine yaymak istediğinizde; veya resmi olarak kodlanabilen yolak ilgisi hakkında gerçek önsel bilgiye sahip olduğunuzda Bayes yolu zenginleşme analizini kullanın. Ayrıca, tek bir olasılıksal modelin koşullar arasında ortaklaşa zenginleşmeyi test edebildiği çok koşullu deneyler için de uygundur. Büyük, iyi güçlü veri kümeleri mevcut olduğunda ve düzenleyici başvuru için tekrarlanabilir, araç standardizasyonlu bir sonuç gerektiğinde standart GSEA'nın yerine doğrudan bir yedek olarak KULLANMAYIN — klasik GSEA ve doğrulanmış FDR prosedürleri bu bağlamlarda kabul edilen normdur. Yolak veritabanlarının incelenen organizma veya doku tipi için uygun olmadığı durumlarda bundan kaçının, çünkü istatistiksel çerçeveden bağımsız olarak sonuçlar anlamsız olacaktır.
Güçlü yönler & sınırlılıklar
- Katlama-değişim tahminlerinin kesin olduğu varsayımından kaçınarak, gen düzeyindeki ifade tahminlerinden yolak düzeyindeki sonuçlara belirsizliği yayar.
- Permütasyon tabanlı yöntemlerin yetersiz güce sahip olduğu küçük örneklem boyutlarında iyi performans gösterir.
- Keyfi bir p-değeri eşiğine olan bağımlılığı ortadan kaldırarak, yorumlanabilir sonsal zenginleşme olasılıkları üretir.
- Çıkarımı keskinleştirmek için harici biyolojik önsel bilgileri (örneğin, bir hastalıktaki bilinen sürücü yolakları) dahil edebilir.
- Klasik düzeltmelerin keskin null varsayımlarına gerek kalmadan Bayes FDR aracılığıyla çoklu test sorununu doğal olarak ele alır.
- MCMC örneklemesi ile tam hiyerarşik Bayes modelleri için, klasik hipergeometrik veya GSEA yaklaşımlarına kıyasla hesaplama açısından yoğundur.
- Sonsal çıkarımlar, veri seyrek olduğunda önsel seçimine duyarlıdır; sonuçlar her zaman bir önsel hassasiyet analizi ile birlikte sunulmalıdır.
- Klasik GSEA'yı (örneğin, fgsea, clusterProfiler) destekleyen kapsamlı ekosisteme kıyasla daha az hazır yazılım aracı mevcuttur.
- Modeli belirtmek, güven aralıklarını yorumlamak ve MCMC yakınsamasını teşhis etmek için Bayes modelleme kavramlarına aşinalık gerektirir.
SSS
Bu, standart GSEA'dan nasıl farklıdır?
Standart GSEA (Subramanian vd., 2005), genleri bir korelasyon istatistiğine göre sıralar, bir kümülatif zenginleşme skoru hesaplar ve permütasyonla anlamlılığı tahmin eder. Normalleştirilmiş bir zenginleşme skoru ve ampirik bir p-değeri üretir. Bayes yolu zenginleşme analizi bunun yerine ifade verilerini olasılıksal olarak modeller, zenginleşme üzerinde bir önsel belirtir ve sonsal olasılıkları çıktı olarak verir. Bayes yaklaşımı belirsizliği daha açık bir şekilde ele alır ve küçük n altında daha iyi performans gösterir, ancak GSEA standart genomik işlem hatlarında daha yaygın olarak uygulanır ve kabul edilir.
Hangi yazılım Bayes yolu zenginleşmesini uygular?
limma/ROAST çerçevesi (Bioconductor), gen kümesi testi için rotasyon tabanlı bir ampirik-Bayes yaklaşımı kullanır. mroast ve fry fonksiyonları hızlı varyantlar sunar. Tam hiyerarşik Bayes uygulamaları, BayesGSEA gibi özel R paketlerinde ve Stan tabanlı özel modellerde mevcuttur. Çoğu R/Bioconductor aşinalığı gerektirir.
Önseli nasıl seçer miyim?
Verilerden önsel hiperparametreleri tahmin eden bir ampirik-Bayes yaklaşımı, güçlü harici bilgi mevcut olmadığında en güvenli varsayılandır. Önsel biyolojik bilgi mevcutsa (örneğin, bilinen hastalık yolakları), bu yolak zenginleşme olasılıkları üzerinde bilgilendirici önseller ayarlanabilir. Hangi önselin kullanıldığını her zaman bildirin ve sonuçların bu seçime ne kadar dayanıklı olduğunu göstermek için önseli değiştiren bir hassasiyet analizi ekleyin.
Bunu tek hücreli RNA-seq verileri için kullanabilir miyim?
Evet, ancak tek hücreli veriler ek bir toplama adımı gerektirir. Önerilen yaklaşım sözde-d bulk analizidir: hücreler hücre tipi ve biyolojik tekrar başına toplanarak d bulk RNA-seq gibi davranan sayım matrisleri üretilir ve ardından Bayes yolu testi bu sözde-d bulk profillerine uygulanır. Toplama yapmadan doğrudan bireysel hücrelere yolak testleri uygulamak, seyrek sayım verileri ve yapay tekrarlar nedeniyle yanlış pozitifleri artırır.
Hangi yolak veritabanlarını kullanmalıyım?
KEGG, Reactome ve Gene Ontology Biological Process en yaygın kullanılan küratörlü veritabanlarıdır ve R'deki msigdb koleksiyonları aracılığıyla mevcuttur. Seçim biyolojik soruyla eşleşmelidir: metabolik ve sinyal yolakları için KEGG, mekanistik biyokimyasal ayrıntılar için Reactome, daha geniş fonksiyonel kategoriler için GO BP. Üçünü aynı anda kullanmak, çoklu test yükünü artırır ve dikkatli Bayes FDR işlemeyi gerektirir.
Kaynaklar
- Baldi, P., & Long, A. D. (2001). A Bayesian framework for the analysis of microarray expression data: regularized t-test and statistical inferences of gene changes. Bioinformatics, 17(6), 509–519. DOI: 10.1093/bioinformatics/17.6.509 ↗
- Newton, M. A., Quintana, F. A., Den Boon, J. A., Bhattacharya, S., & Ahlquist, P. (2004). Random-set methods identify distinct aspects of the enrichment signal in gene-set analysis. The Annals of Applied Statistics, 1(1), 85–106. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Pathway Enrichment Analysis. ScholarGate. https://scholargate.app/tr/bioinformatics/bayesian-pathway-enrichment-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi RNA-seq Diferansiyel İfade AnaliziBiyoenformatik↔ karşılaştır
- eQTL AnaliziBiyoenformatik↔ karşılaştır
- Gen Kümesi Zenginleşme Analizi (GSEA)Biyoenformatik↔ karşılaştır
- Çoklu-omik Yolak Zenginleştirme AnaliziBiyoenformatik↔ karşılaştır
- Ağ Tabanlı Yol Zenginleştirme AnaliziBiyoenformatik↔ karşılaştır
- Yol Zenginleştirme AnaliziBiyoenformatik↔ karşılaştır