Yol Zenginleştirme Analizi — Biyolojik Yol Zenginleştirme Analizi
Biological Pathway Enrichment Analysis · Ayrıca şöyle bilinir: PEA, overrepresentation analysis, ORA, functional enrichment analysis
Yol zenginleştirme analizi (PEA), genellikle diferansiyel ifade veya proteomik deneylerden elde edilen ilgi çekici gen veya protein listelerini alan ve önceden tanımlanmış hangi biyolojik yolların veya fonksiyonel gen setlerinin şans eseri beklenenden daha sık temsil edildiğini belirleyen istatistiksel bir yaklaşımdır. Bireysel moleküler değişiklikleri KEGG, Gene Ontology veya Reactome gibi küratörlü yol bilgi tabanlarına haritalayarak, PEA uzun gen listelerini yorumlanabilir biyolojik süreçlere dönüştürür ve bu da onu yüksek verimli omik deneylerinin analiz sonrası merkezi bir aracı haline getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+43 tane daha
Ne zaman kullanılır
Yüksek verimli bir omik deneyi, fonksiyonel yorumlama gerektiren bir gen veya protein listesi ürettiğinde yol zenginleştirme analizini kullanın — RNA-seq, proteomik, metabolomik (HMDB/SMPDB veritabanları ile) ve GWAS lokus açıklamaları dahil. ORA, açık bir anlamlılık eşiğinin ayrık bir sonuç listesi tanımladığı durumlarda uygundur; GSEA, ince, koordineli yol kaymalarını tespit etmek için tam sıralı listenin kullanılması gerektiği durumlarda tercih edilir. PEA'yı birincil analiz olarak kullanmayın — bu her zaman nicel bir deneyin aşağı akışındaki bir işlem sonrası adımdır. Gen listesi çok kısaysa (yaklaşık 20 genden az), yalnızca tek bir yüksek derecede pleiotropik hub geni içeriyorsa veya biyolojik soru, yol düzeyindeki mekanizmalar yerine bireysel gen fonksiyonu ile ilgiliyse bundan kaçının. PEA ayrıca, yol veritabanının incelenen organizma veya doku tipi için yeterli kapsama alanına sahip olmadığı durumlarda güvenilmezdir.
Güçlü yönler & sınırlılıklar
- Yorumlanması zor büyük gen listelerini, kompakt, biyolojik olarak anlamlı yol özetlerine dönüştürür.
- Geniş organizma kapsama alanına sahip, iyi küratörlü, topluluk tarafından sürdürülen veritabanlarına (GO, KEGG, Reactome) dayanır.
- Hem ORA hem de GSEA varyantları hesaplama açısından hızlıdır ve olgun, yaygın olarak kullanılan R paketleri (clusterProfiler, fgsea, topGO) tarafından desteklenir.
- Uygun veritabanları ile birden fazla omik veri türü — transkriptomik, proteomik, metabolomik ve genomik — genelinde uygulanabilir.
- Sonuçlar, hipotez üretimi ve deneysel takip için doğrudan eyleme geçirilebilir.
- Yol veritabanları eksiktir ve iyi çalışılmış genlere doğru eğilimlidir; az etiketlenmiş yollardaki genler sistematik olarak kaçırılır.
- ORA sonuçları, girdi gen listesini tanımlamak için kullanılan anlamlılık eşiğine büyük ölçüde bağlıdır — farklı bir kesme, zenginleşmiş yolları önemli ölçüde değiştirebilir.
- Yollar bağımsız değildir; birçok yol boyunca paylaşılan genler, ilişkili test istatistiklerine neden olur ve görünen zenginleştirme genişliğini artırır.
- Standart yöntemler, bir yoldaki tüm genleri eşit derecede önemli kabul eder ve ağ topolojisini, ifade büyüklüğünü veya etkileşim bağlamını göz ardı eder.
SSS
ORA ve GSEA arasındaki fark nedir?
Aşırı temsil analizi (ORA), bir anlamlılık eşiği ile tanımlanmış ayrık bir gen listesi gerektirir ve yol genlerinin hipergeometrik dağılım altında beklenenden daha sık bu listede görünüp görünmediğini test eder. GSEA, tam sıralı gen listesini (kesme yok) kullanır ve yol genlerinin ağırlıklı bir Kolmogorov-Smirnov istatistiği kullanarak sıralamanın üst veya alt kısmına doğru yoğunlaşıp yoğunlaşmadığını test eder. GSEA, ince, koordineli yol kaymalarına daha duyarlıdır; ORA daha basittir ve açıklanması daha kolaydır ancak eşik bağımlıdır.
Hangi yol veritabanını kullanmalıyım?
Seçim biyolojik soruya bağlıdır. Gene Ontology (GO), moleküler işlevler, biyolojik süreçler ve hücresel bileşenler hakkında geniş kapsama alanı sağlar. KEGG, iyi küratörlü diyagramlarla metabolik ve sinyal yollarını vurgular. Reactome, özellikle insan sinyal ve metabolizması için güçlü olan ayrıntılı, reaksiyon düzeyinde yol haritaları sunar. MSigDB (GSEA için), küratörlü kümeler, motif tabanlı kümeler ve ampirik gen imzaları içerir. İki veya üç tamamlayıcı veritabanı kullanmak ve yakınsak sonuçlar aramak iyi bir uygulamadır.
Yedekli zenginleştirme sonuçlarını nasıl ele alırım?
Yol veritabanları kapsamlı gen örtüşmesine sahiptir, bu nedenle onlarca benzer yol genellikle aynı anda anlamlı görünür. Revigo (GO terimleri için), clusterProfiler'ın enrichplot'u veya Cytoscape'in EnrichmentMap'i gibi araçlar örtüşen yolları kümeleyebilir, özetleyebilir veya görselleştirebilir. Her örtüşen terimi listelemek yerine, her küme için temsili bir yol bildirmek daha net ve daha dürüst sonuçlar üretir.
ORA için bir arka plan gen listesi ayarlamam gerekiyor mu?
Evet, ve bu yaygın bir hata kaynağıdır. Arka plan, genomdaki tüm genler değil, deneyinizde aslında ölçülen (tespit eşiğinin üzerinde ifade edilen) tüm genler olmalıdır. Tam genom arka planını kullanmak, zenginleştirme anlamlılığını artırır çünkü birçok yol geni herhangi bir belirli doku veya koşulda basitçe tespit edilemez.
Yol zenginleştirme analizi nedenselliği kurabilir mi?
Hayır. PEA, bir gen listesi ile yol açıklamaları arasında istatistiksel ilişkiler belirler. Bu yolların gözlemlenen fenotipten nedensel olarak sorumlu olduğunu kurmaz. Zenginleşmiş yollar, deneysel doğrulama gerektiren hipotezlerdir — örneğin, pertürbasyon deneyleri veya mekanistik takip çalışmaları yoluyla.
Kaynaklar
- Subramanian, A., Tamayo, P., Mootha, V. K., Mukherjee, S., Ebert, B. L., Gillette, M. A., Paulovich, A., Pomeroy, S. L., Golub, T. R., Lander, E. S., & Mesirov, J. P. (2005). Gene set enrichment analysis: A knowledge-based approach for interpreting genome-wide expression profiles. Proceedings of the National Academy of Sciences, 102(43), 15545–15550. DOI: 10.1073/pnas.0506580102 ↗
- Alexa, A., Rahnenführer, J., & Lengauer, T. (2006). Improved scoring of functional groups from gene expression data by decorrelating GO graph structure. Bioinformatics, 22(13), 1600–1607. DOI: 10.1093/bioinformatics/btl140 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Biological Pathway Enrichment Analysis. ScholarGate. https://scholargate.app/tr/bioinformatics/pathway-enrichment-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Gen Kümesi Zenginleşme Analizi (GSEA)Biyoenformatik↔ karşılaştır
- Metabolomik AnaliziBiyoenformatik↔ karşılaştır
- Ağ Tabanlı Yol Zenginleştirme AnaliziBiyoenformatik↔ karşılaştır
- Proteomik AnaliziBiyoenformatik↔ karşılaştır
- RNA-seq Diferansiyel İfadeBiyoenformatik↔ karşılaştır
- Tek hücre RNA-seq AnaliziBiyoenformatik↔ karşılaştır