A comprehensive assessment of cell type-specific differential expression methods in bulk data.
A comprehensive assessment of cell type-specific differential expression methods in bulk data.
复制标题
DOI：
10.1093/bib/bbac516
复制
发表时间：
2023-01-19
影响因子：
9.5
通讯作者：
中科院分区：
文献类型：
--
作者：
解释细胞类型组成在分析来自异质组织的高通量数据方面非常成功。细胞类型水平的差异基因表达分析变得越来越流行，在特定细胞类型内以更细的粒度发现生物标志物。虽然已经开发了几种计算方法来从RNA-seq数据中识别细胞类型特异性差异表达基因（csDEG），但尚未进行系统的评估。在这里，我们彻底基准最近发表的六种方法：CellDMC，CARseq，吐司，LRCDE，CeDAR和TCA，以及两个经典的方法，csSAM和DESeq 2，进行全面的比较。我们的目标是系统地评估流行的csDEG检测方法的性能，并为研究人员提供指导。在模拟研究中，我们基准可用的方法在各种情况下的基线表达水平，样本量，细胞类型的组成，表达水平的改变，技术噪音和生物分散。对炎症性肠病、肺癌和自闭症三个大数据集的真实的数据分析提供了基因水平和通路水平的评估。我们发现，csDEG调用强烈影响的效果大小，基线表达水平和细胞类型组成。结果表明，csDEG发现本身是一项具有挑战性的任务，在处理低信噪比和低表达基因方面还有改进的余地。
Accounting for cell type compositions has been very successful at analyzing high-throughput data from heterogeneous tissues. Differential gene expression analysis at cell type level is becoming increasingly popular, yielding biomarker discovery in a finer granularity within a particular cell type. Although several computational methods have been developed to identify cell type-specific differentially expressed genes (csDEG) from RNA-seq data, a systematic evaluation is yet to be performed. Here, we thoroughly benchmark six recently published methods: CellDMC, CARseq, TOAST, LRCDE, CeDAR and TCA, together with two classical methods, csSAM and DESeq2, for a comprehensive comparison. We aim to systematically evaluate the performance of popular csDEG detection methods and provide guidance to researchers. In simulation studies, we benchmark available methods under various scenarios of baseline expression levels, sample sizes, cell type compositions, expression level alterations, technical noises and biological dispersions. Real data analyses of three large datasets on inflammatory bowel disease, lung cancer and autism provide evaluation in both the gene level and the pathway level. We find that csDEG calling is strongly affected by effect size, baseline expression level and cell type compositions. Results imply that csDEG discovery is a challenging task itself, with room to improvements on handling low signal-to-noise ratio and low expression genes.
登录
查看更多内容
影响因子：
14.9
作者：
Kanehisa M;Furumichi M;Sato Y;Ishiguro-Watanabe M;Tanabe M
通讯作者：
Tanabe M
DOI：
10.1155/2014/928461
发表时间：
2014
期刊：
ISRN inflammation
影响因子：
--
作者：
Gálvez J
通讯作者：
Gálvez J
影响因子：
14.9
作者：
Kuleshov MV;Jones MR;Rouillard AD;Fernandez NF;Duan Q;Wang Z;Koplev S;Jenkins SL;Jagodnik KM;Lachmann A;McDermott MG;Monteiro CD;Gundersen GW;Ma'ayan A
通讯作者：
Ma'ayan A
影响因子：
3.5
作者：
Jiao, Bin;Wang, Mengli;Shen, Lu
通讯作者：
Shen, Lu
DOI：
10.1038/s41580-020-00313-x
发表时间：
2021-03
期刊：
Nature reviews. Molecular cell biology
影响因子：
--
作者：
Covarrubias AJ;Perrone R;Grozio A;Verdin E
通讯作者：
Verdin E