gene set enrichment analysis (gsea)

Gene Set Enrichment Analysis (GSEA)

Mehmet Emre Tuncer

Refference:Daniel [email protected]

Gen Hastalık İlişkisi

• Genler bize hastalıklarla ilgili ip uçları verebilmektedir.

• Bu bilgiler tek bir genden belirgin olarak elde edilebileceği gibi bir çok genin birbirleriyle olan ilişkileriyle de belirlenebilir

• Bir çok hastalık ya da fenetopik rahatsızlık sadece bir genle ifade edilemeyebilir.

Gen Hastalık İlişkisi

• Çoğu hastalık karmaşıktır ve birden çok geni kapsar.

• Genler genel olarak bağımsız çalışmazlar, bir bütünün fonksiyonel bir parça olarak çalışırlar.

Gen Setlerinin Tanımı

• Gen kümeleri kendi başlarına biyolojik mekanizmaları ya da karakteristikleri tanımlamada yeterli olmazlar

• Saf biyolojik bilgiyi temsil ederler, teorik ve deneysel araştırmalarda yardımcı olurlar

Gen Kümeleri

• Data-driven Veri Kümeleri• Knowledge-driven Veri Kümeleri

Gen Kümeleri

• Data-driven Veri KümeleriGenellikle yüksek verimli araştırmalarda ilişkili

genleri tanımlamada ve türetmede kullanılırlar

Gen Kümeleri

• Knowledge-driven Veri KümeleriGen kümelerini oluşturmak için uzman gerekir.Bunlar genellikle araştırmanın konusuna özeldir.

GSEA Knowledge Driven bir yaklaşımı destekler.

Gene Set Analysis (GSA)

• Analizleri bioloji odaklı yaklaşımlara kaydırır.

• Gen ifadesi data setlerini analiz etmek için fonksiyon ilişkili gen gruplarını kullanır.

• Tek bir genin analizinden daha güçlü(robust)

Gene Set Analysis (GSA)

• GSEA 3 adımdan oluşur:• Enrichment skorunun hesaplanması• Significance ın tahmin edilmesi• Çoklu hipotez testi için düzenlemeler


Yapılan Çalışmalar

Mootha et al. PGC-1α-responsive genes involved in oxidative phosphorylation are coordinately downregulated in human diabetes, Nature Genetics, 2003, 34-3

Subramanian et al. Gene set enrichment analysis: A knowledge-based approach for interpreting genome-wide expression profiles, PNAS, 2005, 102-43

Oron et al. Gene set enrichment analysis using linear models and diagnostics, Bioinformatics, 2008, 24-22

Bioconductor Package:GSEAlm - Linear Model Toolset for Gene Set Enrichment Analysis

GSEA’ nın Amaçları

• Test edilen iki sınıf içinde aşağı ya da yukarı düzenlenmiş gen kümelerine bakmak.

• Araştırılan gen kümesinin test edilmiş iki fenotipten farklı ya da aynı olma durumunu test etmektir.

Değişik Fenotiplerin Testi

Pair-wise Tests:Normal versus Low gradeNormal versus High gradeLow grade versus High grade

Sample Disease Type

S1 Normal breast tissueS2 Normal breast tissueS3 Normal breast tissueS4 Low grade cancer (Luminal A)S5 Low grade cancer (Luminal A)S6 Low grade cancer (Luminal A)S7 High grade cancer (Basal)S8 High grade cancer (Basal)S9 High grade cancer (Basal)

Gene Expression Data

Clinical Data

Combined Tests:Normal versus Low/High gradeNormal/low grade versus High grade

I.)Genler t-test ya da lineer model kullanarak sıralanıyor.



II.) Gen kümesine üye bilgisi dahil ediliyor

Enrichment Score (ES)

• Sıralanmış Liste (L) nin sınırlarında yoğunlaşan sıralamaları yansıtır

• Skor L listesinde gezinirken hesaplanır

• Zenginleştirme skoru random gezinme sırasında sıfırdan en fazla sapmanın olduğu skor olarak belirlenir.

Subramanian A et al. PNAS 2005;102:15545-15550

Permütasyon Testi

• ES nin significence(önem) ı tahmin edilmelidir.

• Önem tahmini için Sınıf etiketli permütasyon işlemi yapılır

• ES için null dağıtım üreten permütasyon yapılır

• Gözlemlenmiş ES nin deneysel, nominal P değeri bu null dağıtıma göre hesaplanır

• Bu P değeri gerçek ES yi verir.

Actual Enrichment Skorun Hesaplanması

Çoklu hipotez testi için düzenlemeler

• Öncelikle ES değeri normalize edilir. Bunun sonucunda NES oluşur. Daha sonra False positiveler kullanılarak FDR(False Discovery Rate) hesaplanır.

Farklı Gen Setleri için Sonuçlar

Teşekkürler

gene set enrichment analysis (gsea)

Documents