Modelo lineal generalizado o logístico nominal para datos RNAseqColegas,
Imagine que tengo datos de RNAseq en forma de recuento de lecturas medido en 2 entornos, con 3 réplicas cada uno, en un solo experimento de secuenciación. Como esto:
Env lee
A 9
A 10
A 11
B 4
B 5
B 6
Por supuesto, puedo tratar cada recuento de lecturas como una variable independiente y hacerlo en la prueba y tendré muy poca potencia. En cambio, quiero poder tratar cada lectura como una observación y luego notar que en un solo esfuerzo de secuenciación dado obtuve 15 lecturas en muestras del entorno B, pero 30 lecturas en muestras del entorno A. Es muy poco probable que esto se observe por casualidad y mi poder para detectar diferencias entre los entornos A y B es mucho, mucho mayor y aumentará con el esfuerzo de secuenciación, a diferencia del de una prueba t. (En un experimento RAseq típico, el número de lecturas es mucho mayor, para algunos genes a menudo en cientos por muestra; la diferencia de recuento de 2 veces será muy significativa).
Quiero poder hacer esta prueba de contingencia con un modelo más complejo, quizás con 3 variables independientes diferentes (y replicar como un efecto de bloque).
La solución fácil es entonces esta: creo una variable categórica adicional, llamémosla "Modelo" con los valores Observado y Esperado, con "Observado" correspondiente a las líneas anteriores y "Esperado" en igual número de líneas, pero con la columna: lecturas que contienen el recuento esperado si ningún efecto es significativo, es decir, en este caso, el recuento de lecturas promedio (asumiendo el mismo esfuerzo en cada réplica).
Y luego ejecuta esto:
Ajustar modelo (Freq (: lecturas), Y (: Modelo), Efectos (: Env,: rep), Personalidad (Logística nominal), Ejecutar (Pruebas de razón de verosimilitud (1), Pruebas de Wald (0)))
... o esto (que me da resultados idénticos, no entiendo muy bien por qué, pero estoy contento con eso):
Ajustar modelo (Freq (: lecturas), Y (: Modelo), Efectos (: Env,: rep), Personalidad (Modelo lineal generalizado), Distribución GLM (Binomial), Función de enlace (Logit), Pruebas de sobredispersión e intervalos (0) , Nombre ("Estimaciones ajustadas por sesgo de Firth") (0), Ejecutar)
¿Estoy haciendo algo ridículamente mal o tiene sentido como prueba válida?
Si tiene sentido, ¿existe quizás una manera de lograr lo mismo sin la necesidad de crear líneas adicionales con los recuentos esperados?
¡¡Gracias por adelantado!!
L.Yampolsky
AnalíticaGAMARe: modelo lineal generalizado o logística nominal para datos RNAseqPodría ayudar si adjunta una tabla de datos de ejemplo con sus diferentes análisis. Me parece mucho más fácil de entender que tratar de imaginar una tabla de datos a partir de una descripción de texto.Re: modelo lineal generalizado o logística nominal para datos RNAseqHola @l_yampolsky ,
Para ser claros, para cada entorno tiene tres muestras (réplicas). Pero en lugar de combinar las réplicas para cada entorno y hacer un análisis similar a una prueba t, desea tratar cada muestra como si el recuento representara el número de observaciones de esa transcripción en particular (transcripción A) en la población de transcripciones de esa muestra. La siguiente muestra de ese mismo entorno es como extraer un nuevo conjunto de observaciones de la misma población de transcripciones y observar cuántas son de la misma transcripción A. ¿Entendí eso correctamente?
Pregunta: ¿Es cada muestra del mismo individuo (es decir, una muestra de la población de células dentro de ese individuo, por lo tanto, réplicas técnicas) o son de diferentes individuos en el mismo entorno (es decir, una muestra de cada individuo y, por lo tanto, representa una muestra de diferentes poblaciones de células que han experimentado el mismo entorno)?
Si las muestras son de diferentes individuos, no creo que este sea un enfoque válido. Los recuentos son la respuesta a algún cambio en el entorno. Es como contar el número de fotones de una longitud de onda particular de una fuente de luz en un entorno de prueba y luego combinarlo con el recuento de fotones de la misma longitud de onda de otro dispositivo, pero diferente, de fuente de luz similar y también en el mismo entorno. . No son la misma fuente de luz (o dispositivo), sino representantes de la misma fuente de luz y deben tratarse de forma independiente entre sí. Esto representaría la variabilidad de dispositivo a dispositivo y debe rastrearse por separado, ya que cada dispositivo no es una copia exacta del otro. Si lo fueran, entonces no se necesitarían múltiples dispositivos para la prueba, ya que todos los fotones provendrían de una sola fuente y cada muestra sería una muestra representativa de esa fuente.
RNAseq es similar en que es un esfuerzo de cuantificación de entidad, o la abundancia de una transcripción, en una muestra. La siguiente muestra no suele ser una muestra de la misma población fuente. Por lo general, es una muestra de un individuo diferente y, por lo tanto, debe tratarse de esa manera. Variabilidad de individuo a individuo. Incluso las muestras del mismo tejido del mismo individuo tienen variabilidad (células en diferentes estados de división, estratificación de funcionalidad, etc.) y no deben agruparse como si procedieran de la misma población de células.
En última instancia, todo esto realmente depende de cuál sea la pregunta científica que se esté formulando y del diseño experimental que se haya utilizado para descubrir la respuesta a esa pregunta. Es posible que pueda agruparlos y hacer lo que quiera o tal vez no. Depende....
Re: modelo lineal generalizado o logística nominal para datos RNAseqLas réplicas son de diferentes individuos; réplicas biológicas. Y tiene toda la razón, agruparlos no sería una buena idea. Sin embargo, puedo incluir replicar como una variable aleatoria independiente en mi modelo, anidado dentro de los tratamientos ambientales, esencialmente tratando este diseño como un diseño de bloque, el mismo experimento repetido 3 veces.
Me preocupa más el enfoque general: crear observaciones ficticias con "recuentos" esperados bajo hipótesis nula (es decir, recuentos iguales de lecturas en todas partes) y usar una tabla de contingencia / modelo de logística nominal para ver si los recuentos reales difieren.
Como sugirió otro usuario, publicaré un ejemplo con los datos reales.
