¿Por qué ponderar? Modelar la variabilidad a nivel de muestra y de observación mejora el poder en los análisis de RNA-seq

Las variaciones en la calidad de la muestra se encuentran con frecuencia en experimentos de secuenciación de RNA pequeños y representan un gran desafío en un análisis de expresión diferencial. La eliminación de muestras de alta variación reduce el ruido, pero a costa de disminuir el poder, limitando así nuestra capacidad para detectar cambios biológicamente significativos. De manera similar, retener estas muestras en el análisis puede no revelar cambios estadísticamente significativos debido al mayor nivel de ruido. Un compromiso es utilizar todos los datos disponibles, pero ponderar menos las observaciones de muestras más variables. Describimos un enfoque estadístico que facilita esto al modelar la heterogeneidad tanto a nivel de muestra como de observación como parte del análisis de expresión diferencial. A nivel de muestra, esto se logra ajustando un modelo de varianza logarítmica que incluye parámetros específicos de muestra o de grupo que son compartidos entre genes. Los factores de varianza de muestra estimados se convierten en pesos y se combinan con pesos a nivel de observación obtenidos de la relación media-varianza de los conteos logarítmicos por millón utilizando 'voom'. Un análisis exhaustivo que involucra tanto simulaciones como datos experimentales de RNA-sequencing demuestra que esta estrategia conduce a un análisis universalmente más poderoso y a menos descubrimientos erróneos en comparación con enfoques convencionales. Esta metodología tiene una amplia aplicación y está implementada en el paquete de código abierto 'limma'.