利用机器学习评估感染埃博拉病毒的非人灵长类动物中 RNA-Seq 与 NanoString 技术的一致性
基因组学
2024-11-01 v1 机器学习
摘要
本研究评估了 RNA 测序（RNA-Seq）和 NanoString 技术在感染埃博拉病毒（EBOV）的非人灵长类动物（NHPs）中进行基因表达分析的一致性。我们对两个平台进行了详细比较，证明它们之间存在强相关性，62 个样本中有 56 个的 Spearman 系数范围从 0.78 到 0.88，平均值为 0.83，中位数为 0.85。Bland-Altman 分析进一步证实了高度一致性，大多数测量值落在 95% 置信区间内。一种机器学习方法，使用在 NanoString 数据上训练的监督幅度-高度评分（SMAS）方法，识别出 OAS1 是区分 RT-qPCR 阳性与阴性样本的关键标志物。值得注意的是，当应用于 RNA-Seq 数据时，OAS1 使用逻辑回归在区分感染与未感染样本方面也达到了 100% 的准确率，证明了其跨平台的稳健性。进一步的差异表达分析识别出 12 个共同基因，包括 ISG15、OAS1、IFI44、IFI27、IFIT2、IFIT3、IFI44L、MX1、MX2、OAS2、RSAD2 和 OASL，这些基因在两个平台上都显示出最高水平的统计显著性和生物学相关性。基因本体论（GO）分析证实，这些基因直接参与关键的免疫和病毒感染通路，加强了它们在 EBOV 感染中的重要性。此外，RNA-Seq 还独特地识别出如 CASP5、USP18 和 DDX60 等基因，它们在免疫调节和抗病毒防御中发挥关键作用。这一发现突显了 RNA-Seq 更广泛的检测能力，并强调了两个平台在提供埃博拉病毒感染期间基因表达变化的全面且准确评估方面的互补优势。
引用
@article{arxiv.2410.23433,
title = {Assessing Concordance between RNA-Seq and NanoString Technologies in Ebola-Infected Nonhuman Primates Using Machine Learning},
author = {Mostafa Rezapour and Aarthi Narayanan and Wyatt H. Mowery and Metin Nafi Gurcan},
journal= {arXiv preprint arXiv:2410.23433},
year = {2024}
}