Mejorando edgeR (Robusto) al abordar observaciones faltantes y valores atípicos específicos de genes en perfiles de RNA-Seq y su aplicación para explorar genes biomarcadores para el diagnóstico y terapias del cáncer de ovario

edgeR (Robusto) es un enfoque popular para identificar genes expresados diferencialmente (DEGs) a partir de perfiles de RNA-Seq. Sin embargo, muestra un rendimiento débil frente a valores atípicos específicos de genes y no puede manejar observaciones faltantes. Para abordar estos problemas, propusimos un enfoque de pre-procesamiento de datos de conteo de RNA-Seq combinando la detección de valores atípicos basada en iLOO y un enfoque de imputación de valores faltantes basado en bosques aleatorios para mejorar el rendimiento de edgeR (Robusto). Tanto la simulación como los resultados del análisis de datos de conteo de RNA-Seq real mostraron que el edgeR (Robusto) propuesto superó al edgeR (Robusto) convencional. Para investigar la efectividad de los DEGs identificados para el diagnóstico y terapias del cáncer de ovario (OC), seleccionamos los 12 DEGs mejor clasificados (IL6, XCL1, CXCL8, C1QC, C1QB, SNAI2, TYROBP, COL1A2, SNAP25, NTS, CXCL2 y AGT) y sugerimos hub-DEGs guiados por los 10 candidatos a moléculas de fármacos mejor clasificados para el tratamiento contra el OC. Por lo tanto, nuestro procedimiento propuesto podría ser una herramienta computacional efectiva para explorar posibles DEGs a partir de perfiles de RNA-Seq para diagnóstico y terapias de cualquier enfermedad.