Gene Set Enrichment Analysis in Zebrafish Embryos Is Susceptible to False-Positive Results in the Absence of Differentially Expressed Genes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
High-throughput gene expression studies commonly employ pathway analyses to infer biological meaning from lists of differentially expressed genes (DEGs). In toxicology and pharmacology studies, treatment groups are analysed against vehicle controls to identify DEGs and altered pathways. Previously, we empirically quantified false-positive rates of DEGs in gene expression data from pools of vehicle-treated zebrafish embryos to determine appropriate study designs (sample and pool size). Here, the same data were subject to Over-Representation Analysis (ORA) and Gene Set Enrichment Analysis (GSEA) to identify false-positive enriched pathways. As expected, the number of false-positive ORA results was lowest where pool and sample sizes were largest (conditions which also generated the fewest significant DEGs). In contrast, the frequency of GSEA false-positives generated through the fast GSEA (fgsea) algorithm increased with pool and sample size and was highest for simulations that generated 0 DEGs, with ribosomal gene sets significantly enriched with the highest frequency. We describe 2 distinct mechanisms by which GSEA generated these false-positive results, both of which are most likely to generate significant gene sets under conditions where expression differences are particularly low. Finally, GSEA analyses were repeated using 1 alternative GSEA algorithm (CERNO) and 11 different ranking statistics. In almost every analysis, the number of significant results was highest where pool size was highest, with ribosome as the more frequently enriched gene set, suggesting our observations to be generalizable to different implementations of GSEA. These results from zebrafish embryos suggest caution in interpreting any GSEA results in contrasts where there are no DEGs.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle