Распространённое неверное толкование данных экспрессии генов

Воспроизводимость — серьёзная проблема в экспериментальной биологии, и с растущей сложностью данных, генерируемых геномными методами, эта проблема многократно усиливается. RNA-seq, один из самых широко используемых методов в современной молекулярной биологии, позволяет в одном тесте одновременно измерить уровень экспрессии всех генов в данном образце. Новое исследование, опубликованное 12 ноября в журнале открытого доступа PLOS Biology Шир Мандельбаум, Зоар Манбер, Орной Эльрой-Штайн и Раном Эльконом из Тель-Авивского университета, выявляет частую техническую погрешность в данных, генерируемых технологией RNA-seq, которая регулярно приводит к ложным результатам.

Анализируя десятки общедоступных наборов данных RNA-seq, описывающих клеточные ответы на многочисленные стрессы, Мандельбаум и коллеги заметили, что наборы особенно коротких или длинных генов неоднократно демонстрировали изменения уровня экспрессии (по видимому количеству РНК-транскриптов данного гена).

Озадаченные этим повторяющимся паттерном, авторы задались вопросом: отражает ли он какой-то универсальный биологический ответ, общий для многих триггеров, или же проистекает из экспериментального артефакта. Чтобы решить этот вопрос, они сравнили повторные образцы из одного и того же биологического условия. Различия в экспрессии генов между повторами могут отражать технические эффекты, не связанные с биологическим фактором, представляющим интерес в эксперименте. Неожиданно тот же паттерн изменений экспрессии у особенно коротких или длинных генов наблюдался в этих сравнениях между повторами, что доказывает: этот паттерн — результат технической погрешности, которая, по-видимому, связана с длиной гена.

Основная цель экспериментов RNA-seq — охарактеризовать биологические процессы, которые активируются или подавляются в ответ на интересующие условия. Примечательно, что за определённые биологические процессы отвечают продукты особенно коротких и длинных генов. Например, многие короткие гены кодируют белки, составляющие рибосому — клеточный аппарат для производства белков. И наоборот, многие длинные гены кодируют белки, составляющие внеклеточный матрикс (ECM) — сеть макромолекул, обеспечивающую клеткам внешнюю структурную поддержку.

Мандельбаум и коллеги смогли показать, как во многих наборах данных RNA-seq обнаруженная ими погрешность, связанная с длиной, в сочетании с некоторыми недостатками статистического анализа может привести к ложной идентификации конкретных биологических функций (включая функции, связанные с рибосомой и ECM) как клеточных ответов на исследуемые условия. Важно, что исследование также показывает, как эту погрешность можно удалить из данных, отфильтровав ложные результаты и сохранив биологически достоверные.

В последние годы растёт тревога по поводу ложных результатов в биологических исследованиях, иногда называемая кризисом воспроизводимости. Это исследование подчёркивает важность правильной статистической обработки данных для уменьшения числа вводящих в заблуждение выводов.