Hallo. Ich bin neu bei JMP Genomics und der RNA-Seq-Datenanalyse. Es scheint, dass JMP Genomics 10 ANOVA als Mittel zur Bestimmung differentieller Genexpressionsdaten implementiert. Die überwiegende Mehrheit der RNA-Seq-Genexpressionsstudien verwendet jedoch deseq2 oder ähnliche R-Pakete. Hat jemand einen Vergleich durchgeführt (oder kennt einen veröffentlichten Bericht), in dem die beiden Methoden verglichen werden? Was sind die Vor- und Nachteile?
Fortsetzung ... Gibt es eine Möglichkeit, deseq2 in JMP Genomics zu implementieren?
Hi @LouisAltamura ,
Mir ist niemand bekannt, der den Unterschied veröffentlicht hat. Ich kann Ihnen sagen, dass ANOVA in JMP G mit mehreren Faktoren, Wechselwirkungen, Verschachtelungs- und Zufallsfaktoren sowie Baseline-Kovariaten als Vorläufer für die differenzielle Expression umgehen kann. Etwas, das Deseq2 nicht gut oder ohne viel Arbeit kann. Auch ist die interaktive Natur der Ausgaben.
Sie sind in den Ergebnissen gleichwertig, wenn man sich ähnliche grundlegende Versuchsdesigns ansieht. Beide verwenden entweder negative Binomialzahlen für Zählungen oder log2 für die Transformation von Daten (Varianzstabilisierung).Beide können Multiple-Test-Korrekturmethoden wie Benjamini-Hochberg-FDR-Korrekturen durchführen. Bei einigen Optionen kann es zu Abweichungen kommen, aber sie sind subtil von dem, was ich in Bezug auf die Ergebnisse sagen kann.
Größter Unterschied: Codierung vs. Point-and-Click-Oberfläche
Ein weiterer verwandter Unterschied: Wahrgenommen kostenlos (aber kostet eine Person Zeit und damit Geld, um zu codieren) vs. Kosten für den Kauf von Software (aber keine Codierung erforderlich)
Da JMP Genomics auf JMP basiert, kann man einfach eine Verbindung zu einer lokalen Kopie von R herstellen und JSL schreiben, um die Verbindung herzustellen, Deseq2 aufrufen und Ergebnisse für interaktive Visualisierungen an JMP G/JMP zurückgeben. Stellen Sie sogar benutzerdefinierte Schnittstellen für Nicht-Programmierer bereit. Für solche Situationen haben wir in Expression/Genetik Add-Ins erstellt ( QuasR-Ausrichtung , Einbettung , Genomische Bayessche Regression , und Outcross-Verknüpfungskarten ) und Vorhersagemodellierung ( XGBoost ) in JMP Pro/JMP Genomics entweder mit Verbindung zu R oder Python.
