RNA-Seqモデリングパラメーターの選択JMP Genomicsは、RNA-Seq基本分析ワークフローのANOVAモデリングパラメーターに、ポアソン、一般化ポアソン、および負の二項の3つのオプションを提供します。 これらのオプションの中からどのように決定しますか？ また、NegativeBinomalを機能させることはできません。 さまざまなデータセットで以下のエラーが発生します。
エラー：NEWRAP最適化を完了できません
アナリティクスウィンドウズRe：RNA-Seqモデリングパラメーターの選択こんにちは@LouisAltamura 、
Model Data As：オプションにCountを選択していると思います。 デフォルトはポアソンです。 データの分布をざっと見てみましょう。これは、どの選択を行うかをガイドするのに役立ちます
データが過度に分散次に、他の2つのうちの1つがより適切です。
これは、負の二項がカウントデータに適している場合を説明する記事です。ポアソンまたは負の二項？ カウントモデル診断を使用したモデルの選択-分析係数
一般化されたポアソンは、より適している可能性があります過度に分散多くの（過剰な）ゼロを含むデータ。 このトピックに関する簡単なレビューは次のとおりです。一般化ポアソンモデルは、他のカウントデータモデルを置き換えることができますか？ 評価-ScienceDirect
カウントがゼロの遺伝子がたくさんある（発現がない、または発現が検出できない）と思われる場合は、一般化ポアソンがおそらくより良い選択です。 そうでなければ、ポアソンは大丈夫でしょう。
負の二項を選択したときに発生するエラーについても、同じエラーが発生します。 これをに報告してくださいsupport@jmp.com 。
それが少し役立つことを願っています、
Re：RNA-Seqモデリングパラメーターの選択ありがとうクリス...
RNA-Seqデータセットには、カウントがゼロまたはゼロの遺伝子がたくさんあります。 ポアソンを使用する場合、通常、カットオフ0.2でチェックされた[モデリング用のデータのフィルター]オプションを使用します。 このアプローチにより、サンプルセット全体でマッピングされた遺伝子の25％が失われます。
ゼロカウント遺伝子をフィルタリングせずに、一般化ポアソンを使用することをお勧めしますか？
-ルー
Re：RNA-Seqモデリングパラメーターの選択RNA-Seqデータセットの分散を評価することをどのように推奨しますか？
Re：RNA-Seqモデリングパラメーターの選択こんにちはルー、
うーん...どちらが最適かわからない。 行（遺伝子）をフィルタリングすると、完全に削除されます。 そのままにしておくと、カウントのある一部のサンプルに使用できます。発現の変化が0からある数までである場合、それは変化しており、倍率の変化が非常に大きい場合でも分析に保持する必要があるため、これらの遺伝子を保持することが重要な場合があります（0から20は20倍の変化です）。 、ただし、生成されるトランスクリプトの数に大きな変化はない場合があります）。 したがって、これらの遺伝子はオンよりもオフである可能性が高くなります。
ゼロを残してGeneralizedPoissonを使用すると思いますが、他の人がより適切な推奨事項を持っている可能性があります。
Re：RNA-Seqモデリングパラメーターの選択よろしくお願いします。 私は間違いなくこれに取り組んできました、そして他の人もアプローチに疑問を持っています。 Generalized Poisson +/-フィルタリングを実行して、どのように見えるかを見てみましょう。
Re：RNA-Seqモデリングパラメーターの選択それで私は私のデータセットの1つを取りました、そしてこれらは私が得た差次的に発現された遺伝子の数です
- 一般化ポアソン、フィルタリングなし= 127
- 一般化されたポアソン、フィルタリング= 226
- ポアソン、フィルタリングなし= 316
- ポアソン、フィルタリング= 380
上記の箇条書きを下に移動すると、各メソッドには前のメソッドのすべての遺伝子が含まれます。
何千ものほとんどゼロカウントの遺伝子を含めることは何の役にも立たないようです。 Generalized Poissonは、高度に発現された遺伝子に発現されていないものを重要なものとして捉えませんでした。 火山プロットでそれらを見ることができますが、それらは本質的にゼロのp値を調整しています。
Re：RNA-Seqモデリングパラメーターの選択ありがとうルー、
一般化ポアソンからポアソンへの切り替えは、一般化ポアソンが過剰分散（「予想」よりも分散が大きい）による一種の「修正」であることを考えると、より差次的に発現する遺伝子を生み出すと予想します。フィルタリングは私を少し驚かせますが、私が考えると、遺伝子が少ない（統計的検定が少ない）ため、FDR補正（調整されたp値）はそれほど厳密ではない可能性があり、したがって、その特定のカットオフで有意と呼ばれる遺伝子が多くなります。
お気づきのように、前のメソッド遺伝子リストは次のメソッド遺伝子リストに含まれています（これは以下のメソッドのサブセットです）。 これは、フィルタリングと修正の進歩的な性質によるものです。
より実用的な注意点として、リストをスクリーニングし、フォローアップする遺伝子のサブセットを探している場合、最大のリストには、そのp値のしきい値に対して「統計的に有意」である境界にある遺伝子が含まれる可能性があります。違いが有用/意味のあるものになるほど大きい場合は、それでも興味深いかもしれません。 つまり、p値が0.08（または0.1）の場合、カットオフは0.05になりませんが、発現に2倍の違いがあり、細胞の挙動が変化する可能性があります。 サンプル間に説明のつかない変動が多すぎてその違いを確信できないか、未知の何かが実験計画と競合している可能性があります（その遺伝子を知るには、各グループ内の発現の変動を調べる必要があります）。もっと）。
境界にある遺伝子をリストに含めて、余裕があればさらに調査します。 すべては実験の目的に依存します。
Re：RNA-Seqモデリングパラメーターの選択その質問は何年もの間尋ねられてきました。 このトピックについて論じている2013年のジャーナル記事を見つけましたが、方程式が豊富で、読むのが少し多いかもしれません。
Zhang_TOBIOIJ（openbioinformaticsjournal.com）
