Combining RNA-seq and proteomics boosts sensitivity to detect differentially expressed genes by rpMeta
De auteurs introduceren rpMeta, een open-source R-pakket dat RNA-seq en proteomica-data integreert via meta-analyse om de sensitiviteit voor het detecteren van differentieel tot expressie gebrachte genen aanzienlijk te verhogen in vergelijking met het afzonderlijk analyseren van elk datatype.
Oorspronkelijk artikel vrijgegeven aan het publieke domein onder CC0 1.0 (https://creativecommons.org/publicdomain/zero/1.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
In de studie van het leven kijken wetenschappers vaak naar hetzelfde biologische systeem door twee verschillende lenzen. De ene lens richt zich op RNA, de moleculaire instructies die cellen gebruiken om zichzelf op te bouwen. De andere lens kijkt naar eiwitten, de eigenlijke fysieke machines die de instructies uitvoeren en het werk van de cel verrichten. Decennialang hebben onderzoekers deze twee lagen afzonderlijk geanalyseerd. Ze maten het RNA om te zien wat een cel van plan is te doen, en maten vervolgens de eiwitten om te zien wat de cel daadwerkelijk aan het doen is. Hoewel deze aanpak veel heeft onthuld over hoe organismen functioneren, behandelt het de twee lagen als afzonderlijke verhalen in plaats van als onderdelen van één enkel narratief. Omdat de instructies en de machines met elkaar verbonden zijn, betekent het negeren van de verbinding tussen hen dat een aanzienlijk deel van de biologische waarheid wordt gemist.
Een team van onderzoekers heeft nu een nieuwe manier ontwikkeld om deze twee verhalen samen te lezen. Ze hebben een softwaretool ontwikkeld genaamd rpMeta, die gegevens van RNA- en eiwitmetingen combineert om verschillen tussen groepen cellen met een grotere gevoeligheid te vinden dan wanneer men naar één van beide alleen zou kijken. Door de signalen van beide bronnen samen te voegen, kan de tool subtiele veranderingen detecteren die te zwak zouden zijn om te zien als er slechts één type gegevens werd gebruikt. Deze aanpak is bijzonder waardevol bij het bestudelen van ziekten zoals kanker, waarbij het begrijpen van de precieze verschillen tussen celtypen kan leiden tot betere behandelingen. De onderzoekers testten hun methode op longkankersamples en ontdekten dat het nieuwe systeem nieuwe genen en biologische processen aan het licht bracht die onzichtbaar waren voor traditionele methoden, wat een helderder beeld geeft van hoe deze ziekten zich gedragen.
De onderzoekers begonnen met een eenvoudige vraag: kan het combineren van RNA- en eiwitgegevens wetenschappers helpen om meer verschillen tussen celtypen te vinden dan het gebruik van de ene of de andere gegevensbron op zichzelf? Om dit te beantwoorden, bouwden ze een nieuw computerprogramma dat twee sets getallen neemt — één set die de RNA-niveaus beschrijft en een andere die de eiwitniveaus uit dezelfde monsters beschrijft — en deze gelijktijdig analyseert. In plaats van alleen de resultaten naast elkaar te leggen, gebruikt het programma een statistische methode om het bewijs uit beide bronnen te versmelten. Het vraagt zich af of de patronen in het RNA en de patronen in het eiwit in dezelfde richting wijzen. Wanneer dat het geval is, beschouwt het programma het gecombineerde bewijs als sterker bewijs voor een echt verschil. Dit stelt de tool in staat om veranderingen op te merken die consistent zijn, maar misschien te klein zijn om in een enkele dataset opgemerkt te worden.
Om te testen of deze nieuwe methode daadwerkelijk beter werkte dan de oude manieren, voerde het team verschillende rigoureuze controles uit. Eerst creëerden ze een gesimuleerd experiment waarbij ze precies wisten welke genen wel en niet verschillend waren. Ze mengden echte gegevens met willekeurige ruis om te zien of de nieuwe tool de ware verschillen kon vinden. In deze test vond de gecombineerde methode de juiste genen vaker dan de methoden die alleen naar RNA keken of alleen naar eiwitten. Vervolgens testten ze de tool op kleinere groepen monsters om te zien of het nog steeds kon werken wanneer er minder gegevens beschikbaar waren. Zelfs met minder monsters bleef de gecombineerde aanpak nauwkeuriger. Ten slotte pasten ze de tool toe op echte gegevens van twee verschillende grote studies naar longkanker. Ze gebruikten de resultaten van de ene studie als referentie en controleerden of de tool dezelfde verschillen in de andere studie kon vinden. Opnieuw presteerde de gecombineerde methode beter dan de methoden met één bron, wat bewees dat het betrouwbaar biologische verschillen tussen verschillende groepen patiënten kon identificeren.
Toen de onderzoekers hun tool toepasten op een grote collectie longkankersamples, waren de resultaten opmerkelijk. De standaardmethoden, die naar RNA of eiwitten apart keken, identificeerden duizenden verschillende genen. De nieuwe gecombineerde methode vond echter nog meer, inclusief honderden genen die door geen van beide methoden met één bron waren gedetecteerd. Onder deze nieuw ontdekte genen was er één gen genaamd CDK12, dat betrokken is bij celdeling en DNA-herstel. Dit gen werd pas als belangrijk gemarkeerd toen de RNA- en eiwitgegevens samen werden geanalyseerd. De tool onthulde ook nieuwe biologische processen die een rol spelen bij verschillende soorten longkanker. Zo vond het bijvoorbeeld specifieke paden gerelateerd aan celbeweging en immuunsignalering die actief waren in één subtype van de ziekte, maar die door de andere methoden werden gemist. Deze bevindingen suggereren dat de gecombineerde aanpak niet alleen aantallen toevoegt; het onthult een diepere laag van de biologische realiteit die voorheen verborgen was.
De onderzoekers hebben de software ook zo ontworpen dat de complexe resultaten gemakkelijk te begrijpen zijn. Ze hebben visuele hulpmiddelen opgenomen waarmee wetenschappers kunnen zien hoe RNA- en eiwitniveaus voor specifieke genen samen bewegen, en ze hebben grafieken gemaakt die laten zien welke biologische paden actief zijn. Deze visuele hulpmiddelen helpen onderzoekers om snel patronen te herkennen en de relatie tussen de instructies en de machines te begrijpen. De tool is beschikbaar als gratis, open-source software, wat betekent dat andere wetenschappers deze onmiddellijk kunnen gebruiken om hun eigen gegevens te analyseren. Door een manier te bieden om twee belangrijke soorten biologische gegevens te integreren, biedt dit werk een completer beeld van hoe cellen functioneren. Het laat zien dat wanneer wetenschappers naar het volledige plaatje kijken, door de instructies met de machines te combineren, zij de details van het leven kunnen zien die voorheen buiten bereik lagen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.