Ikhtisar
Analisis ekspresi diferensial (DE) adalah inti statistik dari transkriptomik, yang menentukan gen mana yang menunjukkan perubahan ekspresi yang berarti di antara kondisi eksperimental. Baik membandingkan sel yang diobati dengan sel yang tidak diobati, tumor versus jaringan normal, atau sampel perjalanan waktu, analisis DE mengubah data jumlah mentah menjadi wawasan biologis. Tantangannya terletak pada membedakan sinyal biologis yang sebenarnya dari gangguan teknis sambil memperhitungkan beban pengujian berganda yang melekat dalam pengukuran genom secara luas. Metode DE modern menggunakan model statistik canggih yang telah dibandingkan secara ekstensif pada kumpulan data nyata dan simulasi.
Metode
Analisis DE biasanya dimulai dengan matriks jumlah pembacaan per gen per sampel. Metode normalisasi (TMM, RLE, atau normalisasi kuantil) menyesuaikan ukuran perpustakaan dan bias komposisi. Alat yang populer mencakup DESeq2, yang modelnya dihitung dengan distribusi binomial negatif dan menggunakan estimasi penyusutan untuk dispersi; edgeR, yang menggunakan metode empiris Bayes; dan limma-voom, yang menerapkan pemodelan linier pada penghitungan log-transformasi yang ditransformasikan dengan bobot presisi. Untuk organisme non-model atau eksperimen tanpa [genom referensi, alat seperti Sailfish atau Kallisto melakukan kuantifikasi tanpa penyelarasan. Hasilnya dirangkum sebagai perubahan log2 kali lipat dan nilai p yang disesuaikan (koreksi Benjamini-Hochberg). Analisis komponen utama (PCA) dan peta panas memberikan pandangan global tentang pola ekspresi.
Aplikasi
Analisis DE sangat penting dalam setiap studi transkriptomik. Ini mengidentifikasi biomarker untuk diagnosis dan prognosis penyakit, mengungkapkan mekanisme kerja obat, dan mengkarakterisasi respon seluler terhadap rangsangan lingkungan. Dalam kondisi klinis, analisis DE pada biopsi pasien dapat membuat stratifikasi kanker untuk terapi bertarget. Metode ini berkaitan erat dengan eksperimen validasi RT-PCR, yang mengonfirmasi gen kandidat, dan memanfaatkan teknik microarray DNA dan ekspresi gen. Hasil DE juga memperkuat analisis pengayaan kumpulan gen (GSEA) untuk mengidentifikasi jalur yang terkena dampak dan kategori fungsional.
Protokol Praktis
Analisis DE standar di R dimulai dengan membaca matriks hitungan dan metadata sampel ke dalam objek DESeqDataSet: dds <- DESeqDataSetFromMatrix(countData = counts, colData = metadata, design = ~ condition). Rumus desain menentukan model eksperimen; perbandingan dua kelompok sederhana menggunakan ~ kondisi, sedangkan desain berpasangan atau koreksi batch menggunakan ~ batch + kondisi atau ~ pasien + kondisi. Jalankan pipeline DE lengkap dengan dds <- DESeq(dds), yang melakukan normalisasi, estimasi dispersi, dan pengujian Wald. Ekstrak hasil dengan hasil(dds, kontras = c("kondisi", "diobati", "kontrol")), yang mengembalikan tabel dengan kolom untuk baseMean, log2FoldChange, lfcSE, stat, pvalue, dan padj. Kolom padj berisi nilai p yang disesuaikan Benjamini-Hochberg yang memperhitungkan beberapa pengujian pada ribuan gen. Alur kerja alternatif dengan edgeR menggunakan DGEList, calcNormFactors, estimateDisp, dan exactTest atau glmFit/glmLRT untuk desain yang kompleks. Menafsirkan perubahan log2 kali lipat: nilai 1 berarti peningkatan 2 kali lipat pada kondisi yang dirawat, sedangkan -1 berarti penurunan 2 kali lipat. Penyusutan perubahan lipatan log2 dengan lfcShrink(dds, coef = 2, type = "apeglm") meningkatkan peringkat dan menghilangkan noise dari gen yang berekspresi rendah. Filter hasil menggunakan ambang batas seperti padj < 0.05 dan |log2FoldChange| > 1. Visualisasikan dengan plotMA untuk plot rata-rata, plotPCA pada data yang distabilkan varians untuk pengelompokan sampel, dan pheatmap pada 50 gen paling signifikan teratas. Paket EnhancedVolcano menghasilkan plot gunung berapi yang siap dipublikasikan dan menyoroti gen yang mengalami peningkatan dan penurunan regulasi secara signifikan.
