Process / pipelineBioinformatics / omics

RNA-seq Diferansiyel İfade — Transkriptomik DE Analizi

RNA Sequencing Differential Expression Analysis · Ayrıca şöyle bilinir: RNA-seq DE analysis, transcriptomic differential expression, bulk RNA-seq DE, DEA

RNA-seq diferansiyel ifade (DE) analizi, iki veya daha fazla biyolojik koşul arasında — örneğin, tedavi edilmiş ve kontrol, veya hastalıklı ve sağlıklı doku — anlamlı derecede farklılık gösteren transkript bolluğuna sahip genleri tanımlar. Ham dizileme okumalarından başlayarak, işlem hattı hizalama, sayı tabanlı normalizasyon, sayı dağılımının istatistiksel modellenmesi, hipotez testi ve çoklu test düzeltmesinden geçerek, katlanma değişimi tahminleri ve ayarlanmış p-değerleri ile birlikte sıralanmış diferansiyel olarak ifade edilen genler listesi üretir.

Araçlar & kaynaklar

Slaytları indir

Öğren & keşfet

Tam yöntemi oku

Yalnızca üyeler

Bu bölümü okumak için ücretsiz hesapla giriş yapın.

Giriş yap

Yöntem haritası

İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.

RNA-seq Diferansiyel İfade

ChIP-seq Peak Calling Gen Kümesi Zenginleşme A…Yol Zenginleştirme Anali…Dizi Hizalama Tek hücre RNA-seq Analizi Variant Calling Bayesci eQTL Analizi Bayesçi Gen Kümesi Zengi…Bayesçi Metabolomik Anal…Bayesçi Proteomik Analizi

+50 tane daha

Ne zaman kullanılır

İki veya daha fazla biyolojik koşuldan toplu RNA dizileme verileriniz olduğunda ve istatistiksel olarak sağlam bir şekilde ifade seviyeleri değişen genleri tanımlamak istediğinizde RNA-seq DE analizini kullanın. Yöntem, dağılımı güvenilir bir şekilde tahmin etmek için koşul başına minimum 3 biyolojik tekrara (toplam 6) gerektirir; 3–5 tekrar pratik minimumdur, 5–8 ise önemli ölçüde daha iyi güç sağlar. Bu işlem hattını, farklı seyrek özelliklere sahip ve scRNA-seq'e özgü araçlar (Seurat, Scanpy) gerektiren tek hücreli RNA-seq verileri için kullanmayın. Ayrıca, tekrarlar biyolojik yerine teknik olduğunda, toplam RNA girdisi çok düşük olduğunda (yüksek ERCC iğneleme oranı) veya deneysel tasarımın parti ile tedaviyi karıştırması durumunda uygulamaktan kaçının — testten önce parti etkilerini açıkça düzeltin.

Güçlü yönler & sınırlılıklar

Güçlü yönler

Genlerin dahil olduğu hakkında ön hipotez olmadan, transkript bolluğunun genom çapında, tarafsız bir taraması.
Kapsamlı kıyaslama literatürü ile iyi doğrulanmış istatistiksel çerçeveler (DESeq2, edgeR, limma-voom).
GLM çerçevesi içinde parti düzeltmesi, eşleştirilmiş örnekler ve etkileşim terimleri dahil olmak üzere karmaşık çok faktörlü tasarımları işler.
Biyolojik önceliklendirmeyi sağlayan, anlamlılık çağrıları ile birlikte nicel katlanma değişimi tahminleri üretir.
Standartlaştırılmış çıktı formatları aracılığıyla aşağı akış zenginleştirme ve yol analizi araçlarıyla sorunsuz bir şekilde entegre olur.
Kapsamlı dokümantasyona sahip olgun, aktif olarak bakımı yapılan Bioconductor paketleri tarafından desteklenir.

Sınırlılıklar

Biyolojik tekrarlar gerektirir — sözde-tekrarlama (örneğin, yalnızca teknik tekrarlar) yanlış pozitifleri önemli ölçüde artırır.
Toplu RNA-seq, bir numunedeki tüm hücreler üzerindeki ifadeyi ortalar; dekonvolüsyon olmadan hücre tipi-spesifik etkiler gizlenir.
Düşük sayılı genler yüksek değişkenliğe ve düşük istatistiksel güce sahiptir; çok düşük ifade edilen transkriptler genellikle testten önce filtrelenir.
Sonuçlar hizalama seçimi, niceleme stratejisi ve normalizasyon yöntemine duyarlıdır — işlem hatları belgelenmeli ve gerekçelendirilmelidir.
FDR 0.05'teki çoklu test düzeltmesi, büyük gen listelerinde hala bir miktar yanlış keşfe izin verir.

SSS

DESeq2 veya edgeR — hangisini kullanmalıyım?

Her ikisi de geçerli ve iyi kıyaslanmıştır. DESeq2, küçültme tahmincileri nedeniyle genellikle daha küçük örnek boyutları için tercih edilir ve varsayılan çıktısı sıralama için uygun olan küçültülmüş log2 katlanma değişimlerini içerir. edgeR'nin yarı-olabilirlik işlem hattı benzer performans gösterir ve karmaşık tasarımlar için esnektir. Birçok analiz her ikisini de çalıştırır ve tutarlı bulgular raporlar. Seçim, yeterli tekrara ve iyi belgelenmiş bir işlem hattına sahip olmak kadar önemli değildir.

Kaç tekrara ihtiyacım var?

Dağılımı tahmin etmek için koşul başına minimum 3 biyolojik tekrar gereklidir; 3 çalışılabilir ancak düşük ifade edilen genler için yetersizdir. Güç analizleri (örneğin, RnaSeqSampleSize veya RNASeqPower R paketlerini kullanarak) tasarımı yönlendirmelidir. Nadir olay tespiti veya ince katlanma değişimleri için, koşul başına 5–8 tekrar önemli ölçüde daha iyi hassasiyet sağlar.

Biyolojik ve teknik tekrarlar arasındaki fark nedir?

Biyolojik tekrarlar, farklı bireylerden veya kültür kuyularından bağımsız örneklerdir — gerçek biyolojik değişkenliği yakalarlar. Teknik tekrarlar, aynı biyolojik materyalin tekrarlanan ölçümleridir. DE analizi, tek bir örneğin ötesine genelleştirmeyi amaçladığı için biyolojik tekrarlar gerektirir. Teknik tekrarları biyolojik tekrarlar gibi kullanmak, varyansı ciddi şekilde hafife alır ve yanlış pozitifleri artırır.

Gen listem çok büyük (binlerce DE gen) — bir sorun mu var?

Zorunlu değil, ancak incelemeyi gerektirir. Çok büyük bir DE gen listesi, güçlü bir biyolojik etkiden (örneğin, şiddetli bir tedavi), ancak aynı zamanda parti karışıklığından, katlanma değişimi filtrelemesinin uygulanmamasından veya aşırı serbest FDR eşiklerinden kaynaklanabilir. PCA grafiğinizi inceleyin: eğer PC1 koşulları temiz bir şekilde ayırır ve varyansın büyük bir kısmını oluşturuyorsa, büyük bir DE listesi gerçek olabilir. Ayrıca, FDR kesme ile birlikte minimum bir mutlak log2 katlanma değişimi eşiği (örneğin, |log2FC| > 1) uygulayın.

Tek hücre verileri için RNA-seq DE analizi kullanabilir miyim?

Standart toplu araçlar (DESeq2, edgeR), tek hücre verileri çok daha seyrek ve sıfır-enflasyonlu olduğu için ham tek hücre sayım matrislerine doğrudan uygulanmamalıdır. Sözde-toplu yaklaşımlar — tek hücre sayımlarını örnek düzeyinde toplamak ve ardından toplu DE araçlarını çalıştırmak — şu anda scRNA-seq deneylerinde koşullar arasındaki diferansiyel ifade için önerilmektedir. Veri içi küme belirteç tespiti, tek hücre seyrekliği için tasarlanmış farklı yöntemler (Wilcoxon rank-sum, MAST vb.) kullanır.

Kaynaklar

Love, M. I., Huber, W., & Anders, S. (2014). Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biology, 15(12), 550. DOI: 10.1186/s13059-014-0550-8 ↗
Robinson, M. D., McCarthy, D. J., & Smyth, G. K. (2010). edgeR: a Bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics, 26(1), 139–140. DOI: 10.1093/bioinformatics/btp616 ↗

Bu sayfayı kaynak gösterin

ScholarGate. (2026, June 3). RNA Sequencing Differential Expression Analysis. ScholarGate. https://scholargate.app/tr/bioinformatics/rna-seq-differential-expression

Hangi yöntem?

Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.

ChIP-seq Peak CallingBiyoenformatik↔ karşılaştır
Gen Kümesi Zenginleşme Analizi (GSEA)Biyoenformatik↔ karşılaştır
Yol Zenginleştirme AnaliziBiyoenformatik↔ karşılaştır
Dizi HizalamaBiyoenformatik↔ karşılaştır
Tek hücre RNA-seq AnaliziBiyoenformatik↔ karşılaştır
Variant CallingBiyoenformatik↔ karşılaştır

Yan yana karşılaştır →

Bu yönteme atıf yapanlar

Bayesci eQTL Analizi Bayesçi Gen Kümesi Zenginleştirme Analizi Bayesçi Metabolomik Analiz Bayesçi Proteomik Analizi Bayesçi RNA-seq Diferansiyel İfade Analizi Bayesian Dizi Hizalama Bayesian Varyant Çağrısı ChIP-seq Peak Calling Kopya Numarası Değişkenliği Analizi Diferansiyel ChIP-seq Pik Çağrısı Epigenom-Çapında Farklılık Analizi (Differential EWAS)Diferansiyel eQTL Analizi Diferansiyel Metabolomik Analiz Ayırt Edici Yolak Zenginleşme Analizi Diferansiyel Tek Hücre RNA-seq Analizi Ayırt Edici Varyant Çağrısı eQTL Analizi Gen Kümesi Zenginleşme Analizi (GSEA)Genom Çapında İlişkilendirme Çalışması (GWAS)Makine Öğrenmesi Destekli ChIP-seq Pik Çağrısı Makine Öğrenmesi Destekli eQTL Analizi Makine Öğrenmesi Destekli Gen Kümesi Zenginleşme Analizi Makine Öğrenmesi Destekli Mikrobiyom Çeşitlilik Analizi Makine Öğrenmesi Destekli RNA-seq Diferansiyel İfade Analizi Makine Öğrenmesi Destekli Tek Hücreli RNA-seq Analizi Metabolomik Analizi Çoklu-omik eQTL Analizi Çoklu-omik Gen Kümesi Zenginleşme Analizi Çoklu-omik Metabolomik Analizi Çoklu-omik proteomik analizi Tekli-omikler Tekli-Hücre RNA-seq Analizi Ağ Tabanlı Epigenom Geniş Çaplı İlişkilendirme Çalışması (Ağ EWAS)Ağ Tabanlı eQTL Analizi Ağ Tabanlı Gen Kümesi Zenginleştirme Analizi Ağ Tabanlı Mikrobiyom Çeşitlilik Analizi Ağ Tabanlı RNA-seq Diferansiyel İfade Analizi Ağ Tabanlı Tek Hücreli RNA-seq Analizi Ağa Dayalı Varyant Çağırma Yol Zenginleştirme Analizi Filogenetik Analiz Proteomik Analizi Dizi Hizalama Tek Hücreli eQTL Analizi Tek hücre Gen Kümesi Zenginleşme Analizi Tek hücre GWAS Tek hücre RNA-seq Analizi Tek Hücre RNA-seq Diferansiyel İfade Analizi Tek Hücre Dizileme Hizalama Zaman Serisi ChIP-seq Tepe Çağırma Zaman Serisi Kopya Sayısı Varyasyonu Analizi Zaman Serisi Epigenom Çapında İlişkilendirme Çalışması Zaman Serisi Gen Kümesi Zenginleştirme Analizi Zaman Serisi Mikrobiyom Çeşitlilik Analizi Zaman Serisi Yolak Zenginleştirme Analizi Zaman-Serisi Filogenetik Analizi Zaman Serisi Proteomik Analizi Zaman serisi RNA-seq Diferansiyel İfade Analizi Tek Zamanlı Tek Hücre RNA-seq Analizi Zaman Serisi Varyant Çağrısı Variant Calling

Benzer yöntemler

Tek Hücre RNA-seq Diferansiyel İfade Analizi Diferansiyel Tek Hücre RNA-seq Analizi Bayesçi RNA-seq Diferansiyel İfade Analizi Makine Öğrenmesi Destekli RNA-seq Diferansiyel İfade Analizi Çoklu-omik RNA-seq Diferansiyel İfade Analizi Ağ Tabanlı RNA-seq Diferansiyel İfade Analizi Zaman serisi RNA-seq Diferansiyel İfade Analizi Tek hücre RNA-seq Analizi

İlgili referans kavramlar

RNA Dizileme Yöntemleri ve Teknolojileri RNA Dizileme ve Transkriptomik Transkriptomik ve Gen İfadesi Analizi Yol Zenginleştirme ve Ağ Analizi Tek Hücreli ve Mekansal Transkriptomik DNA ve RNA Dizileme Yöntemleri

Bu sayfada bir hata mı var? Bildir / düzeltme öner →