experimentos de microarreglos: desde la biología molecular a la estadística diana m. kelmansky...
Post on 21-Apr-2015
8 Views
Preview:
TRANSCRIPT
Experimentos de Microarreglos: desde la biología molecular a la
estadística
Diana M. Kelmansky
Instituto de Cálculo
FCEN-UBA
2
¿Qué son los microarreglos?
• Microarreglos: pequeños soportes sólidos
• sobre los que se inmobilizan ó pegan, miles de secuencias de diferentes genes,
• en posiciones fijas ordenadas
3
Dos tecnologías
http://www.kbrin.louisville.edu/archives/fellows/dobbins.html
gslc.genetics.utah.edu
Delivery Synthesis
arrays chips
4
• spotted: oligonucleotidos (oligos) son “espoteados” –spotted- directamente sobre el arreglo
• síntesis directa base por base: los oligonucleótidos se fabrican in situ utilizando métodos tales como fotolitografía (ej. Affymetrix chips)
o síntesis química (ej., ink-jet Agilent)
• ?????????????????????????????????
5
Portaobjeto y cabezal de impresión - print head
6
http://www.stat.berkeley.edu/~sandrine/Docs/Talks/MBI04/Lects/lect1MarrayTech.pdf
7
Un segmento de un spot de un microarreglo - las hebras son las moléculas de ADN depositadas - figura tomada de (Duggan et al., Nature Genetics 21: 10-14, 1999)
8
Objetivo: Identificar genes expresados diferencialmente
Cambios en la abundancia de:
• genes expresados: mRNA – arreglo de transcriptomas
• ADN genomico
entre condiciones diferentes
9
¡Grandes Esperanzas!
Datos obtenidos en PubMed
Schena M,et al. Quantitative monitoring of gene expression patterns with a complementary DNA microarray. Science (1995)
Cantidad de publicaciones por año
0
1000
2000
3000
4000
5000
6000
7000
1994 1996 1998 2000 2002 2004 2006
10
¡Grandes Esperanzas!
Mark Schena Microarray Analysis – Wiley 2003
Al final de la introducción:“Fifty years from now, and long after human
disease has been eradicated, we will look back incredulously at the start of this millennium and wonder how we ever endured cancer, heart disease, AIDS and thousands of other illnesses that compromise our well-being”
11
• ¿De qué se trata todo esto?
• ¿Cómo está relacionado con estadística?
Comencemos
12
Expresión de un gen• Casi todas las células de nuestro cuerpo contienen un conjunto completo de cromosomas y genes idénticos.
• Sólo una fracción de estos genes están “encendidos” .
• Este subconjunto, que está “expresado”, le confiere propiedades específicas a cada tipo de célula.
•"Gene expression“ . Términos utilizados para describir la transcripción de la información contenida dentro de los cromosomas en moléculas de ARN mensajero.
• Luego estas son traducidas a las proteinas que realizan principales funciones de las células
13
Adenina
Timina
Guanina
Citosina
14
ROSALIND FRANKLIN la fotógrafa del ADN •Francis Crick, James Watson y Maurice Wilkins -modelo del ADN 1953- en base al• trabajo de Rosalind Franklin como bióloga molecular y cristalógrafa
Murió de cáncer en 1958 con 37 años
Premio Nobel de Medicina -1962-
15
Transcripción
16
Doble cadena de ADN
transcripción o expresión
Simple cadena de ARNm
traducción
Proteína
Dogma central de la biología molecular
Microarreglo
17
¿Cómo funciona un microarreglo?
• Utiliza la capacidad de las moléculas de ARNm de adherirse específicamente, o hibridar a su cadena complementaria de ADN
cADN probe ...AAAAAGCTAGTCGATGCTAG...
ARN target ...UUUUUCGAUCAGCUACGAUC...
18
19
two color spotted microarrayun microarreglo de dos colores
Al finalizar el experimento tenemos
20
Datos
¿Cuáles son los datos en un experimento de microarreglos ?
Archivos tiff de las imágenes digitales escaneadas
Una para cada color
La intensidad de cada pixel representa la abundancia del gen transcripto en el sitio correspondiente del arreglo
Procesamiento de la imagen
Datos Crudos
Imagen superpuesta de un sector de un Microarreglo
con colores artificiales
21
Imperfecciones de los spots
22
Redondeamos – microarrays de dos canales-
ARNm tejido patógeno de hígado cADN etiqueta fluorescente (label) (Cy5) reverseARNm tejido sano de hígado cADN etiqueta fluorescente (label) (Cy3) transcription
Hibridice igual cantidad de mARN para cada muestra sobre el microarreglo
Lave el microarray para eliminar pegado inespecífico - unspecific binding.
Escanee el microarray con longitudes de onda diferentes para exitar a cada uno de los tintes
2 imágenes digitales, una para el fluor Cy3 y la otra para el Cy5 representan las intensidades para cada una de las muestras en el estudio
datos crudos pixel por pixel
Señal de fluorescencia “Promedio” para cada gen = nivel de expresión del gen
+ otros estadísticos datos iniciales gen por gen
Este experimento tiene muchos errores sistemáticos y aleatorios
23
MA-plot• Diagrama de dispersión (Scatter plot) de ◦ M = log2 ( Xred / Xgreen )
= log2 ( Xred ) - log2 ( Xgreen )
versus
◦ A = (log2 ( Xred ) + log2 ( Xgreen )) / 2 Intensidad
24
MA plot MXY plot
Experimento SELF-SELF ideal
25
MA plot MXY plot
sesgo espacial Sesgo dependiente de la intensidad
Experimento SELF-SELF real
26
Objetivo: Identificación de genes expresados diferencialmente
Requiere múltiples tests
con un nivel global razonable
(false discovery rate)
27
Algunos aspectos estadísticos de los experimentos y análisis de datos de microarrays
A.Diseño. El diseño del experimento afecta la validez y la eficiencia de los resultados.
“In other contexts, and possibly in these, the results have been driven by study inadequacies rather than by biology. Beware! (T. Speed 2005)”
28
Algunos aspectos estadísticos de los experimentos y análisis de datos de microarrays
B. Preprocesamiento. • análisis de imágen cuantificación de los
“spots”: distinguir las intensidades del foreground de las del background y los artifacts. Medidas resumen.
• normalización - control del sesgo dentro y entre microarreglos, transformaciones de los datos.
29
Algunos aspectos estadísticos de los experimentos y análisis de datos de microarrays
C. Inferencia. Procedimientos de tests simultáneos Multiple testing procedures. Generalmente respecto a qué genes están expresados diferencialmente.
30
D. Clustering y discriminación
(llamados Clasificación por “microarray biologists”).
Clases (categorías, etiquetas): pueden ser
muestras ( 1 - cientos)
o
genes . (10000 - 40000)
Algunos aspectos estadísticos de los experimentos y análisis de datos de microarrays
31
D. Clustering y discriminación - cont
Clases desconocidas –
clasificación no supervisada:
cluster analysis por los estadísticos,
unsupervised learning por los computadores científicos
class discovery por biólogos de microarreglos.
32
Clustering y discriminación - cont
Clases definidas de antemano – clasificación supervisada - supervised classification – sobre por lo menos una parte de los datos:
Los objetivos incluyen describir diferencias entre clases y/o clasificar observaciones fututas. Llamadas clasificación o discriminación y class prediction por microarray biologists.
Los datos para los que las clases son conocidas forman el llamado training o learning set, aquellos datos cuyas clases no son utilizadas pero conocidas forman el test set. También se utiliza Allocation para describir la asignación de clases a los nuevos datos.
Estas distinciones no son universales.
33
A) Diseño. Consenso 1: La replicación biologica es indispensable.
Pueden realizarse dos tipos de replicaciones
• replicación técnica: el ARNm de un único caso biológico es utilizado en múltiples microarreglos
• replicaciones biológicas: se extrae ARNm de diferentes sujetos
34
A) Diseño. Consenso 2: Es necesario aumentar la potencia mediante el tamaño de la muestra.
• Deben realizarse análisis de potencia: Aplicando estimaciones específicas para experimentos de microarrays Más replicaciones proveen mayor potencia.
• No hay concenso respecto de cuales procedimientos para hallar el tamaño de la muestra son los mejores.
35
A) Diseño. Consenso 3: “Pooling” muestras biologicas puede ser útil.
La variabilidad entre arreglos puede ser reducida “pooling” ARNm de replicaciones biológicas.
Por ejemplo:
15 casos divididos en 5 pools de 3, cada pool corrido en un array por separado tendrá:
más potencia que 5 casos corridos an arreglos diferentes menos potencia que cuando los 15 casos son corridos en arregos diferentes
36
Sin embargo: Pooling ARN de n casos y creando n replicaciones técnicas no es una estrategia mejor que hibridizar n arrays a las n muestras individuales de RNA:
A) Diseño. Consenso 3: “Pooling” muestras biologicas puede ser útil. Cont
Problema potencial: el ‘poisoned pool’, un outlier puede arruinar los resultados.
37
A) Diseño. Consenso 4: Evite los factores de confusión - confounding
Las mediciones de Microarrays pueden estar muy influenciadas por factores externos.
Por ejemplo:Si dos tratamientos son aplicados a dos grupos de pacientes cuando los factores externos no están totalmente balanceados entre los grupos esto puede confundir el estudio y llevar a conclusiones falsas. (Confounding – epidemiología)
Los arreglos deberían provenir de un únco lote y procesados en el mismo día por el mismo técnico.
Analizar la misma cantidad de muestras de los dos grupos en estudio y aleatorizar los casos a los niveles de estos factores (lotes de arreglos, técnicos, día)
38
B) Preprocesamiento • Análisis de la imagen. Hay diferentes propuestas,
fundamentalmente en la distinción entre las intensidades del forward y el backward – segmentation.
• Normalization. Diversos procedimientos para permitir las comparaciones entre los arreglos.
39
C) Inferencia . Consenso
• Solo fold change |M| > k, no es adecuado
Mi = log2(Ri/Gi)
• Utilice un estadístico que incorpore la variabilidad
t =
• Use “variance shrinkage”
• Use métodos de estimación del FDR en las comparaciones múltiples
sMn /
sa
Mnt
*
40
D) Classificación Consenso 1
La clasificación no supervisada se utiliza en exceso. Es una de las primeras técnicas estadísticas utilizadas en el análisis de microarrays y es una de las preferidas.
El investigador tiene garantizada la obtención de un agrupamiento (clustering) de genes, sin importar
•el tamaño de la muestra, •la calidad de los datos, •el diseño del experimento o •cualquier otra validez biológica que esté asociada con el agrupamiento.
41
•Clasificación no supervisada, debería ser validada utilizando procedimientos basados en re-muestreo (resampling-based procedures).
•Si la clasificación no supervisada es inevitable, debería proveerse algún tipo de medida de reproducibilidad. Aquellos procedimientos que re-muestrean a nivel de caso – más que a nivel de gen- todos tienen una performance razonable y ninguno es considerado el mejor.
D) Clasificación Consenso 1. Cont.
42
D) Classificación Consenso 2Los procedimientos de clasificación supervisada requieren cross-validación independiente.
•Las reglas de predicción están basadas en una cantidad relativamente pequeña de muestras de distintos tejidos de tipos conocidos que contienen los datos de expresión de muchos (posiblemente miles) de genes.
•Problemas posibles: •sobreajuste (overfitting),•sesgo de selección (selection bias)
43
Estudios futuros
Microarray data analysis: from disarray to consolidation and consensusAllison D, Cui X, Page G, Sabripour M (2006) Nature Reviews |
Genetics Vol 7 Jan
Sugieren estudiar
• If and how the vast number of genes assayed in microarray experiments could be used to partially compensate for small sample sizes when using resampling-based inference.
• For all statistical procedures, the fact that transcripts are not necessarily independent (co-regulation) should be considered.
44
Semilinear High-Dimensional Model for Normalization of Microarray Data: A Theoretical Analysis and Partial Consistency (2005) Fan J, Peng H, Huang T. JASA, vol. 100, no. 471, pp. 781-796. With discussion.
“All of the discussants call for more statistical understanding of various procedures in use.
We agree whole heartedly with this and contribute the article under discussion in the hope that it will stimulate more statisticians to work on this area.”
MÁS ESTADÍSTICA
45
¿Recuerdan?
¿Cuántos incluyen análisis estadístico?
Cantidad de publicaciones por año
0
1000
2000
3000
4000
5000
6000
7000
1994 1996 1998 2000 2002 2004 2006
46
0
1000
2000
3000
4000
5000
6000
7000
1995 1997 1999 2001 2003 2005 2007
Statistical Analysis
Microarrays
47
A Model Based Background Adjustement for Oligonucleotide Expression Arrays. Wu Z, Irizarry RA, Gentleman R, Martinez Murillo F, Spencer F (2004) JASA, 99, 909-917.
Semilinear High-Dimensional Model for Normalization of Microarray Data: A Theoretical Analysis and Partial Consistency (2005) Fan J, Peng H, Huang T. JASA, vol. 100, no. 471, pp. 781-796
Selection bias in gene extraction on the basis of microarray gene-expression data. Ambroise C, McLachlan G (2002) PNAS
Prediction by Supervised Principal Components. Bair E, Hastie T, Paul D, Tibshirani T (2006) JASA, vol. 101, no. 473, pp. 119-137 Microarray data analysis: from disarray to consolidation and consensusAllison D, Cui X, Page G, Sabripour M (2006) Nature Reviews | Genetics Vol 7 Jan
Algunas referencias
48
¡MUCHAS GRACIAS!
top related