论文部分内容阅读
基因集分析（gene set analysis，GSA）是一类常用的多变量分析方法，其检验效能通常高于常规的单变量分析方法，因此被广泛的应用于差异表达基因的筛选、目标基因集的功能富集分析和通路分析当中。近年来，人们不仅使用基因集分析方法对基因的表达差异进行分析，还同时对基因间的相关性改变进行分析，并且结合先验的生物学网络以便提高检验效能、更好的解释生物学现象，具有越来越广阔的应用空间。
然而，绝大多数的基因集分析方法都选择性的使用了“自检验方法”（self-contained methods）或者“竞争性检验方法”（competitive methods）对基因集进行检验，却没有充分的考虑到这两种检验方法对数据的指标特征有着截然不同的要求。此外，不同的基因集分析方法在计算过程中还会对数据的方差和样本含量等指标进行假设，当假设条件与实际数据不符时，同样会导致现有基因集分析方法的假阳性率居高不下。为了解决这些问题，本文利用先验的生物学网络构建了自检验和竞争性检验的整合分析方法（Self-cantained and Competitive Intergrated Analysis，SCIA），旨在解决现有基因集分析方法适用范围不足和假阳性偏高的问题。
针对竞争性检验方法处理基因间相关性较高的数据时假阳性率偏高的问题，本文构建了自检验统计量C，并通过一系列模拟实验对本方法的性能进行验证。在处理基因间相关系数为0~0.9的模拟数据时，本方法能够正确的控制假发现率为5%，同时平均敏感性（约0.35）也不低于ROAST（limma软件包）等自检验方法（约0.35）且更加稳定，不会随着相关系数的改变而发生大幅度的波动；在处理基因间相关性发生改变的数据时，本方法对样本量大于50的数据能够在保证假阳性率为5%的前提下，获得高于ROAST等方法一倍以上的敏感性。上述结果说明本方法能够有效避免竞争性检验方法的缺陷，为后续的自检验与竞争性检验方法的整合算法提供了基础。
针对自检验方法处理差异表达基因比例较高的数据时假阳性率偏高的问题，本文利用先验的生物学网络将自检验统计量C和全新的竞争性检验方法进行整合，构建了SCIA方法，并通过一系列模拟实验对本方法的性能进行验证。在处理差异表达基因比例为20%~60%的数据时，本方的假阳性率（0.09~0.16）不高于GSEA等竞争性检验方法（0.12~0.15），而敏感性（0.76~0.82）则明显高于其它方法（0.53~0.58）；在处理基因间相关系数为0~0.9的数据时，本方法能够正确控制假发现率（小于0.05）而GSEA等方法则会在相关性接近于1时都会放大假阳性率（约为0.1~0.4），且本方法敏感性（约0.25~0.3）略高于其它方法（约0.2~0.3）。上述结果说明本方法能够同时避免竞争性检验方法和自检验方法的缺陷，而对先验的生物学网络的利用则意味着本方法的检验效能可以随着生物学网络的逐步完善而逐渐提高。
由于现有方法无法处理样本含量极小（如n=2）的数据，本方法构建了基于倍数差异改进算法（Adjusted Fold-Change，AFC）的SCIA-AFC方法，并通过模拟数据和真实数据对本方法的性能进行验证。在模拟实验中保证假发现率小于5%的情况下，AFC方法的敏感性能比传统的FC方法高出约50%；在对真实数据进行分析时，AFC方法所得结果与金标准的一致性超过60%，也高于传统的FC方法（约40%）。上述结果说明AFC方法比FC方法更适用于高维度小样本的数据分析。
最后，使用SCIA方法对两套肺鳞癌的表达谱数据和两套miR-1转染实验的表达谱数据进行分析。首先，本方法能够得到了超过61个能被已有文献支持的GO注释或KEGG功能通路，传统的超几何检验和GSEA方法仅能找到其中的7个；其次，本方法在对同类型数据进行分析时得到了超过40%的一致结果，而超几何检验与GSEA则只能得到约10%~20%的一致结果。最后，本方法在利用不同的靶基因预测数据库对miR-1的转染实验数据进行分析时，所得结果的一致性同样能够超过50%。上述结果说明本方法所得结果具有较高的准确性且不同于传统方法所得结果，能够对现有的基因集分析方法进行有效的补充；并且能够对先验的生物学信息选择性的使用，以减小已知生物学信息中的假阳性结果对本方法的影响。
综上所述，本文基于自检验与竞争性检验的整合算法，提出了一种广泛适用的基因集分析方法，能够正确处理具有不同指标特征的表达谱数据，还能对所得结果进行深入的生物学解释。本方法不仅能够得到大量准确而新颖的结果，对现有方法进行有效的补充；还能降低不同数据、不同先验的生物学信息对结果的影响，便于人们将不同研究所得结果进一步的整合。基于本项研究的R语言软件包“SCIA”（见附录1和附录2）能够在Github网站免费下载：https://github.com/YiqunLiHIT/SCIA。
然而，绝大多数的基因集分析方法都选择性的使用了“自检验方法”（self-contained methods）或者“竞争性检验方法”（competitive methods）对基因集进行检验，却没有充分的考虑到这两种检验方法对数据的指标特征有着截然不同的要求。此外，不同的基因集分析方法在计算过程中还会对数据的方差和样本含量等指标进行假设，当假设条件与实际数据不符时，同样会导致现有基因集分析方法的假阳性率居高不下。为了解决这些问题，本文利用先验的生物学网络构建了自检验和竞争性检验的整合分析方法（Self-cantained and Competitive Intergrated Analysis，SCIA），旨在解决现有基因集分析方法适用范围不足和假阳性偏高的问题。
针对竞争性检验方法处理基因间相关性较高的数据时假阳性率偏高的问题，本文构建了自检验统计量C，并通过一系列模拟实验对本方法的性能进行验证。在处理基因间相关系数为0~0.9的模拟数据时，本方法能够正确的控制假发现率为5%，同时平均敏感性（约0.35）也不低于ROAST（limma软件包）等自检验方法（约0.35）且更加稳定，不会随着相关系数的改变而发生大幅度的波动；在处理基因间相关性发生改变的数据时，本方法对样本量大于50的数据能够在保证假阳性率为5%的前提下，获得高于ROAST等方法一倍以上的敏感性。上述结果说明本方法能够有效避免竞争性检验方法的缺陷，为后续的自检验与竞争性检验方法的整合算法提供了基础。
针对自检验方法处理差异表达基因比例较高的数据时假阳性率偏高的问题，本文利用先验的生物学网络将自检验统计量C和全新的竞争性检验方法进行整合，构建了SCIA方法，并通过一系列模拟实验对本方法的性能进行验证。在处理差异表达基因比例为20%~60%的数据时，本方的假阳性率（0.09~0.16）不高于GSEA等竞争性检验方法（0.12~0.15），而敏感性（0.76~0.82）则明显高于其它方法（0.53~0.58）；在处理基因间相关系数为0~0.9的数据时，本方法能够正确控制假发现率（小于0.05）而GSEA等方法则会在相关性接近于1时都会放大假阳性率（约为0.1~0.4），且本方法敏感性（约0.25~0.3）略高于其它方法（约0.2~0.3）。上述结果说明本方法能够同时避免竞争性检验方法和自检验方法的缺陷，而对先验的生物学网络的利用则意味着本方法的检验效能可以随着生物学网络的逐步完善而逐渐提高。
由于现有方法无法处理样本含量极小（如n=2）的数据，本方法构建了基于倍数差异改进算法（Adjusted Fold-Change，AFC）的SCIA-AFC方法，并通过模拟数据和真实数据对本方法的性能进行验证。在模拟实验中保证假发现率小于5%的情况下，AFC方法的敏感性能比传统的FC方法高出约50%；在对真实数据进行分析时，AFC方法所得结果与金标准的一致性超过60%，也高于传统的FC方法（约40%）。上述结果说明AFC方法比FC方法更适用于高维度小样本的数据分析。
最后，使用SCIA方法对两套肺鳞癌的表达谱数据和两套miR-1转染实验的表达谱数据进行分析。首先，本方法能够得到了超过61个能被已有文献支持的GO注释或KEGG功能通路，传统的超几何检验和GSEA方法仅能找到其中的7个；其次，本方法在对同类型数据进行分析时得到了超过40%的一致结果，而超几何检验与GSEA则只能得到约10%~20%的一致结果。最后，本方法在利用不同的靶基因预测数据库对miR-1的转染实验数据进行分析时，所得结果的一致性同样能够超过50%。上述结果说明本方法所得结果具有较高的准确性且不同于传统方法所得结果，能够对现有的基因集分析方法进行有效的补充；并且能够对先验的生物学信息选择性的使用，以减小已知生物学信息中的假阳性结果对本方法的影响。
综上所述，本文基于自检验与竞争性检验的整合算法，提出了一种广泛适用的基因集分析方法，能够正确处理具有不同指标特征的表达谱数据，还能对所得结果进行深入的生物学解释。本方法不仅能够得到大量准确而新颖的结果，对现有方法进行有效的补充；还能降低不同数据、不同先验的生物学信息对结果的影响，便于人们将不同研究所得结果进一步的整合。基于本项研究的R语言软件包“SCIA”（见附录1和附录2）能够在Github网站免费下载：https://github.com/YiqunLiHIT/SCIA。