The 2018 Annual Meeting of the International Genetic Epidemiology Society
Notice bibliographique
Résumé
Normalization of RNA-Seq data is essential to ensure accurate statistical inferences. The goal of this study was to assess the various methods for the normalization of RNA-Seq, including the assessment of known and unknown technical artifacts. Additionally, we assessed the impact of the reduction in degrees of freedom (DF) due to the normalization for known and latent technical artifacts which results in inflated type I error rates in the identification the differentially expressed (DE) genes. Specifically, we compared the remove unwanted variation (RUV), surrogate variable analysis (SVA "BE" and SVA "Leek"), and principal component analysis (PCA) methods for RNA-Seq data using both simulated and publicly available data from The Cancer Genome Atlas (TGCA) cervical cancer study (CESC). Using CESC data, a comparison between the top estimated latent factors between the methods showed that the SVA ("Leek") and RUV estimates were highly correlated (r = -0.88 and p < 2.2e-16), and the RUV and PCA methods produced more similar DE results compared to SVA ("Leek"). The simulation study found that the permutation procedure in SVA ("BE") to determine the number of significant surrogate variables outperforms other methods for correctly estimating the number of technical artifacts. As expected, ignoring the loss of DF due to normalization results in an inflated type I error rates. Hence, we recommend to include not only library size corrections but also the assessment of known and unknown technical artifacts, and if needed, across sample normalization. Lastly, we recommend that the known technical artifacts along with the primary factors of interest in the design matrix, as opposed to differential analysis on a post-normalized data set.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».