Вычисление вероятности совпадения списка генов между последовательностью РНК и набором данных чипа

Надеюсь, кто-то на этих форумах поможет мне с этой основной проблемой в исследованиях экспрессии генов.

Я сделал глубокое секвенирование экспериментальной и контрольной ткани. Затем я получил значения кратного обогащения генов в экспериментальном образце для контроля. Эталонный геном имеет ~ 15 000 генов. 3000 из 15000 генов обогащены выше определенного порога в моем образце интереса по сравнению с контролем.

Итак: A = общая популяция генов = 15000 B = РНК-секвенированная субпопуляция = 3000.

В предыдущем эксперименте с чипом я обнаружил 400 генов, которые обогащены чипом. Из 400 генов ChIP-чипа 100 генов находятся в группе из 3000 обогащенных транскриптов RNA-Seq.

Итак: C = общее количество генов, обогащенных чипом ChIP = 400.

Какова вероятность того, что мои 100 генов ChIP-чипов будут обогащены RNA-Seq случайно? Другими словами, какой самый разумный способ вычислить, если мое наблюдаемое совпадение между В и С (100 генов) лучше, чем полученное случайно? Из того, что я прочитал, лучший способ проверить это - использовать гипергеометрическое распределение.

Я использовал онлайн-калькулятор (stattrek.com), чтобы настроить тест гипергеометрического распределения со следующими параметрами: - размер популяции = 15 000 - количество успехов в популяции = 3000 - размер выборки = 400, - количество успехов в выборке = 100. Я получаю следующее для гипергеометрической вероятности P (x = 100) = 0,00224050636447747

Фактическое количество генов, перекрывающихся между B и C = 100. Это лучше, чем случайно? Похоже, что если какой-то один ген может быть обогащен 1: 5 (3000 из 15 000). Вот почему я не понимаю, почему мой P (x = 100), который я рассчитал выше, составляет 0,0022. Это составляет 0,2% вероятности случайного совпадения. Разве это не должно быть намного выше?

Если бы я отобрал 400 случайных генов из большого списка из 15 000, то любые 80 из этих генов могли бы быть обогащены только случайностью (1: 5). Количество генов, которые фактически перекрываются, равно 100, так что это немного лучше, чем случайно.

Я также попытался найти решение, используя функции дипера или phyper в R (используя то, что я видел в другом посте): A = все гены в геноме (15000) B = гены, обогащенные RNA-Seq (3000) C = ChIP -chip обогащенные гены (400) Вот ввод / вывод R (адаптированный из предыдущего поста об обмене стека):

> totalpop <- 15000    
> sample1 <- 3000    
> sample2 <- 400    
> dhyper(0:2, sample1, totalpop-sample1, sample2)    
[1] 4.431784e-40 4.584209e-38 2.364018e-36    
> phyper(-1:2, sample1, totalpop-sample1, sample2)    
[1] 0.000000e+00 4.431784e-40 4.628526e-38 2.410304e-36    

Я не уверен, как интерпретировать эти цифры. Я полагаю, что 2.36e-36 - это вероятность полного совпадения между B и C только по случайности? Но это не имеет смысла, так как эта вероятность намного ближе к 1: 5. Если я начну с 15 000 генов, 3000 будут обогащены. Точно так же, если я начну с 400 генов ChIP-чипов, 80 из них должны быть обогащены только RNA-Seq из-за вероятности обогащения 1: 5 в этом наборе данных.

Как правильно рассчитать значение p в соответствии с гипергеометрическим распределением для перекрытия B и C?

Вы близки, с вашим использованием dhyperи phyper, но я не понимаю, откуда 0:2и -1:2откуда.

Требуемое значение p - это вероятность получения 100 или более белых шариков в образце размером 400 из урны с 3000 белыми шариками и 12000 черных шариков. Вот четыре способа его расчета.

sum(dhyper(100:400, 3000, 12000, 400))
1 - sum(dhyper(0:99, 3000, 12000, 400))
phyper(99, 3000, 12000, 400, lower.tail=FALSE)
1-phyper(99, 3000, 12000, 400)

Это дает 0,0078.

dhyper(x, m, n, k)дает вероятность рисования точно x. В первой строке мы суммируем вероятности для 100 - 400; во второй строке мы берем 1 минус сумму вероятностей 0 - 99.

phyper(x, m, n, k)дает вероятность получить xили меньше, так phyper(x, m, n, k)же, как sum(dhyper(0:x, m, n, k)).

Это lower.tail=FALSEнемного сбивает с толку. phyper(x, m, n, k, lower.tail=FALSE)так же, как 1-phyper(x, m, n, k)и вероятность того x+1или иного. [Я никогда не помню этого и поэтому всегда должен перепроверить.]

$\ge$

max(dhyper(0:400, 3000, 12000, 400))$\sim$

Вот картина гипергеометрического распределения в этом случае. Вы можете видеть, что он центрирован на 80 (20% из 400) и что 100 довольно далеко в правом хвосте.

Посмотрите на это так ... Если вы предполагаете, что это бином, что может быть не правильно, но оно должно быть довольно приблизительным ... ваша сигма ^ 2 равна .8 * .2 * 400 = 64, тогда сигма = 8. Итак от 80 до 100 вы прошли 2,5 стандартных отклонения. Это довольно существенно. Оно должно иметь небольшое значение р.