Ny statistisk metode til evaluering af reproducerbarhed i studier af genomorganisation

En ny statistisk metode til at evaluere reproducerbarheden af ​​data fra Hi-C - et banebrydende værktøj til at studere, hvordan genomet fungerer i tre dimensioner inde i en celle - vil hjælpe med at sikre, at dataene i disse "big data" undersøgelser er pålidelige.

"Hi-C fanger de fysiske interaktioner mellem forskellige regioner af genomet, " sagde Qunhua Li, adjunkt i statistik ved Penn State og hovedforfatter af papiret. "Disse interaktioner spiller en rolle i at bestemme, hvad der gør en muskelcelle til en muskelcelle i stedet for en nerve eller kræftcelle. standardmål til vurdering af datareproducerbarhed kan ofte ikke fortælle, om to prøver kommer fra den samme celletype eller fra fuldstændig urelaterede celletyper. Dette gør det vanskeligt at bedømme, om dataene er reproducerbare. Vi har udviklet en ny metode til nøjagtigt at evaluere reproducerbarheden af ​​Hi-C data, hvilket vil gøre det muligt for forskere at fortolke biologien mere sikkert ud fra dataene."

Den nye metode, kaldet HiCRep, udviklet af et team af forskere ved Penn State og University of Washington, er den første til at redegøre for et unikt træk ved Hi-C-data - interaktioner mellem regioner i genomet, der er tæt på hinanden, er langt mere tilbøjelige til at ske tilfældigt og skaber derfor falske, eller falsk, lighed mellem ikke-relaterede prøver. Et papir, der beskriver den nye metode, vises i journalen Genomforskning .

"Med den enorme mængde data, der bliver produceret i studier af hele genom, det er afgørende at sikre kvaliteten af ​​dataene, " sagde Li. "Med high-throughput teknologier som Hi-C, vi er i stand til at få ny indsigt i, hvordan genomet fungerer inde i en celle, men kun hvis dataene er pålidelige og reproducerbare."

Inde i en cellekerne er der en enorm mængde genetisk materiale i form af kromosomer - ekstremt lange molekyler lavet af DNA og proteiner. kromosomerne, som indeholder gener og de regulatoriske DNA-sekvenser, der styrer hvornår og hvor generne bruges, er organiseret og pakket ind i en struktur kaldet kromatin. Cellens skæbne, om det bliver en muskel- eller nervecelle, for eksempel, afhænger, i hvert fald delvist, på hvilke dele af kromatinstrukturen, der er tilgængelig for gener, der kan udtrykkes, hvilke dele er lukkede, og hvordan disse regioner interagerer. HiC identificerer disse interaktioner ved at låse de interagerende regioner i genomet sammen, isolere dem, og derefter sekvensere dem for at finde ud af, hvor de kom fra i genomet.

"Det er lidt ligesom en gigantisk skål spaghetti, hvor hvert sted nudlerne rører ved kan være en biologisk vigtig interaktion, " sagde Li. "Hi-C finder alle disse interaktioner, men langt de fleste af dem forekommer mellem regioner af genomet, der ligger meget tæt på hinanden på kromosomerne og ikke har specifikke biologiske funktioner. En konsekvens af dette er, at styrken af ​​signaler i høj grad afhænger af afstanden mellem interaktionsområderne. Dette gør det ekstremt vanskeligt for almindeligt anvendte reproducerbarhedsmålinger, såsom korrelationskoefficienter, at differentiere Hi-C-data, fordi dette mønster kan ligne meget selv mellem meget forskellige celletyper. Vores nye metode tager højde for denne funktion ved Hi-C og giver os mulighed for pålideligt at skelne forskellige celletyper."

"Dette genlærer os en grundlæggende statistisk lektion, som ofte overses i marken, " sagde Li. "Ganske ofte, korrelation behandles som en proxy for reproducerbarhed i mange videnskabelige discipliner, men de er faktisk ikke det samme. Korrelation handler om, hvor stærkt to objekter er forbundet. To irrelevante objekter kan have høj korrelation ved at være relateret til en fælles faktor. Dette er tilfældet her. Afstand er den skjulte fælles faktor i Hi-C-dataene, der driver korrelationen, gør, at korrelationen ikke afspejler de relevante oplysninger. Ironisk, mens dette fænomen, kendt som forvirrende effekt i statistiske termer, diskuteres i hvert elementært statistikkursus, det er stadig ret slående at se, hvor ofte det bliver overset i praksis, selv blandt veluddannede videnskabsmænd."

Forskerne designet HiCRep til systematisk at redegøre for denne afstandsafhængige egenskab ved Hi-C-data. For at opnå dette, forskerne udglatter først dataene for at give dem mulighed for at se tendenser i dataene mere tydeligt. De udviklede derefter et nyt mål for lighed, der er i stand til lettere at skelne data fra forskellige celletyper ved at stratificere interaktionerne baseret på afstanden mellem de to regioner. "Dette er som at studere effekten af ​​lægemiddelbehandling for en befolkning med meget forskellige aldre. Stratificering efter alder hjælper os med at fokusere på lægemiddeleffekten. For vores tilfælde, stratificering på afstand hjælper os med at fokusere på det sande forhold mellem prøver. "

For at teste deres metode, forskerholdet evaluerede Hi-C-data fra flere forskellige celletyper ved hjælp af HiCRep og to traditionelle metoder. Hvor de traditionelle metoder blev udløst af falske korrelationer baseret på overskuddet af nærliggende interaktioner, HiCRep var i stand til pålideligt at differentiere celletyperne. Derudover HiCRep kunne kvantificere mængden af ​​forskel mellem celletyper og nøjagtigt rekonstruere, hvilke celler der var tættere beslægtet med hinanden.