Mit dem exponentiellen Wachstum öffentlicher RNA-seq-Datensätze ist die Meta-Analyse zu einem entscheidenden Instrument geworden, um Studien zu integrieren, die statistische Power zu erhöhen und konsistente biologische Muster zu identifizieren. Allerdings wurden konventionelle Methoden zur Kombination von p-Werten nicht für die großangelegte Integration entworfen und weisen einen kritischen Mangel auf: Mit der Hinzufügung weiterer Datensätze steigt die Rate falsch-positiver Ergebnisse dramatisch. Dieses Problem resultiert aus dem unverhältnismäßigen Einfluss extrem niedriger p-Werte aus nur wenigen einzelnen Studien, die ein irreführendes Signal für die Gesamtergebnisse erzeugen und die Zuverlässigkeit der Ergebnisse untergraben können. Hier stellen wir einen robusten Rahmen für die Meta-Analyse vor, der p-Wert-Capping, Cutoff-Schwellenbildung und Bagging integriert, um dieses Problem zu mildern. Wir haben diesen Rahmen unter Verwendung von Stouffer's Methode implementiert, die als hybride Stouffer-Methode (hStouffer) bezeichnet wird. Die vorgeschlagene Methode zeigt eine reduzierte Rate falsch-positiver Ergebnisse bei hoher Sensitivität. Darüber hinaus zeigte die Validierung, dass die von hStouffer identifizierten DEGs die zugrunde liegenden biologischen Phänomene genau widerspiegeln, was sie zu einem unverzichtbaren Werkzeug macht, um das volle Potenzial der sich erweiternden genetischen Datenbanken zu nutzen, um komplexe biologische Prozesse zu verstehen. Die hStouffer-Methode bietet eine statistisch robuste und biologisch kohärente Lösung für die großangelegte RNA-seq-Meta-Analyse. Durch die effektive Kontrolle technischer Artefakte und falscher Entdeckungen ermöglicht sie es den Forschern, zuverlässigere und bedeutungsvollere Einblicke aus komplexen, aggregierten transkriptionalen Daten zu gewinnen.
Kim et al. (Thu,) haben diese Frage untersucht.