Influência do número de repetições na identificação de genes diferencialmente expressos em experimentos de RNA-Seq

Abstract

Um dos objetivos atuais da biologia molecular é medir e avaliar os perfis de expressão gênica em diferentes tipos de tecidos biológicos, para entender os mecanismos de transformação molecular sob determinadas condições. Tecnologias de sequenciamento de Nova Geração (NGS) promovem o sequenciamento de DNA em plataformas capazes de gerar informações sobre milhões de pares de bases em uma única etapa. Porém essas tecnologias ainda apresentam custo elevado, dificultando a obtenção de elevado número de repetições de dados amostrais. Assim, torna-se necessária a descoberta e o aprimoramento de metodologias estatísticas eficientes para a otimização das análises de dados gerados em plataformas de sequenciamento de genomas. O objetivo geral desse trabalho consistiu em avaliar o efeito do número de repetições na identificação de genes diferencialmente expressos, em experimentos de RNA-Seq, contribuindo para o esclarecimento de pesquisadores que venham a auxiliar nas análises de dados em experimentos de RNA-Seq. De forma específica, avaliamos empiricamente o efeito do número de repetições na análise estatística da expressão gênica em experimentos de RNA-Seq. Para a realização das análises foi utilizado um conjunto de dados definido em Li et al. (2008), o qual comparou células cancerígenas tratadas e não tratadas. Naquele estudo havia quatro repetições biológicas para o grupo controle (células não tratadas) e três repetições biológicas para grupo de tratamento (células que receberam o tratamento). Os dados foram analisados utilizando o pacote DESeq do Programa computacional R. Um total de 2566 genes foram considerados diferencialmente expressos (DE) quando avaliamos o conjunto de dados original completo. Quando analisamos três repetições do controle e do tratamento, nós encontramos, em média, 2153 genes DE. A partir do momento em que apenas duas repetições para ambos os tratamentos foram utilizadas, foram identificadas, em média, 1241 genes DE. A grande alteração no número de genes DE foi observada quando repetições não foram utilizadas. Nesse caso identificamos em torno de 44 genes diferencialmente expressos. De acordo com os resultados gerados nas análises, foi possível verificar que o número de repetições é um fator essencial para se obter um número significativo de genes diferencialmente expressos.

One of the current objectives of molecular biology is to measure and assess the gene expression profiles in different types of biological tissues, to understand the mechanisms of molecular transformation under certain conditions. Next-generation sequencing (NGS) technologies promote DNA sequencing in platforms capable of generating information about millions of base pairs in a single step. However these technologies still have high cost, making it difficult to obtain large number of repetitions of sample data. Therefore, it becomes necessary the discovery and the improvement of efficient statistical methodologies for optimizing analysis of data generated in genome sequencing platforms. The overall objective of this work was to evaluate the effect of the number of repetitions in the identification of differentially expressed genes, in RNA-Seq experiments, contributing to the clarification of the statistic that researchers will assist in data analysis in RNA-Seq experiments. Specifically, we evaluate empirically the effect of the number of repetitions in the statistical analysis of gene expression in RNA-Seq experiments. To carry out the analyses we used a dataset defined in Li et al. (2008), which compared treated and non-treated cancer cells. That work had four biological replications for the control group (non-treated) and three replications for biological treatment group (cells that have received the treatment). The data was analyzed using the package DESeq from the statistical environment R. A total of 2566 genes were considered differentially expressed (DE) when we evaluate the original and complete dataset. When we analyzed three replications of the control and treatment, we found, on average, 2153 genes DE. From the moment in which only two reps for both treatments were used, were identified, on average, 1241 genes DE. The major change in the number of genes DE was observed when replications were not used. In this case we identified around 44 differentially expressed genes. According to the results generated in the analysis, it was possible to verify that the number of repetitions is an essential factor in order to obtain a significant number of differentially expressed genes.