Estimativas de Tamanho de Amostra para Dados de Sequenciamento de RNA

FUNDAMENTAÇÃO: Dada a alta reprodutibilidade técnica e a resolução ordens de magnitude maior do que microarranjos, o sequenciamento de próxima geração de mRNA (RNA-Seq) está rapidamente se tornando o padrão de fato para medir os níveis de expressão gênica em experimentos biológicos. Duas questões importantes devem ser levadas em consideração ao projetar um experimento específico, nomeadamente, 1) quão profundo deve-se sequenciar? e, 2) quantos replicados biológicos são necessários para observar uma mudança significativa na expressão? RESULTADOS: Com base nas distribuições de expressão gênica de 127 experimentos de RNA-Seq, encontramos evidências de que 91% ± 4% de todos os genes anotados são sequenciados com uma frequência de 0,1 vezes por milhão de bases mapeadas, independentemente da fonte da amostra. Com base nesta observação, e combinando esta informação com outros parâmetros, como variação biológica e variação técnica que estimamos empiricamente a partir de nossos grandes conjuntos de dados, desenvolvemos um modelo para estimar o poder estatístico necessário para identificar genes diferencialmente expressos em experimentos de RNA-Seq. CONCLUSÕES: Nossos resultados fornecem uma referência necessária para garantir que estudos de expressão gênica de RNA-Seq sejam conduzidos com o tamanho de amostra, poder e profundidade de sequenciamento otimizados. Também disponibilizamos tanto código R quanto uma planilha do Excel para que os investigadores calculem para seus próprios experimentos.