Statistical Modeling of RNA-Seq Data
最近，超高通量RNA测序（RNA-Seq）已被开发为用于分析基因表达的方法。通过获得转录序列的数千万甚至数亿个读数，RNA-Seq实验可以提供对任何感兴趣样品中基因（转录物）群体的全面调查。本文介绍了一个统计模型估计异构体丰度从RNA-Seq数据，是灵活的，足以容纳单端和双端RNA-Seq数据和采样偏差沿长度的转录本。在导出模型的最小充分统计量的基础上，给出了模型的极大似然估计的一个计算上可行的实现。此外，显示使用配对末端RNA-Seq在固定测序深度下提供比单末端测序更准确的同种型丰度估计。仿真研究也给出。
2011-06-16 q-bio.GN stat.ME
Depth Normalization of Small RNA Sequencing: Using Data and Biology to Select a Suitable Method
深度测序已成为生物医学研究中最受欢迎的转录组分析工具之一。虽然存在大量的计算方法用于“归一化”测序数据以去除由于实验处理而导致的不想要的样品间变化，但是对于哪种归一化最适合于给定的数据集没有共识。为了解决这个问题，我们开发了“DANA”-一种基于生物学动机和数据驱动的指标评估microRNA测序数据标准化方法性能的方法。我们的方法利用了microRNA的众所周知的生物学特征，用于其表达模式和染色体聚类，以同时评估（1）归一化如何有效地去除处理伪影，以及（2）归一化如何适当地保留生物信号。通过DANA，我们确认了八种常用的归一化方法在不同数据集上的性能差异很大，并为选择合适的方法提供了指导。因此，它应该被采用作为microRNA测序数据分析的常规预处理步骤（在归一化之前）。DANA是用R语言实现的，可在https://github.com/LXQin/DANA上公开获取。
2022-01-13 q-bio.GN q-bio.QM stat.ME
VeloTree: Inferring single-cell trajectories from RNA velocity fields with varifold distances
Zuse Institute Berlin（柏林祖斯研究所）；Technical University of Denmark（丹麦技术大学）
本文提出VeloTree方法，利用变分距离推断单细胞分化树，通过预处理RNA速度场并结合变分距离计算，提高轨迹推断的准确性。
2026-04-01 math.MG q-bio.GN stat.ME
Poisson-Tweedie mixed-effects model: a flexible approach for the analysis of longitudinal RNA-seq data
我们提出了一种新的建模方法，纵向计数数据的动机是越来越多的可用性纵向RNA测序实验。RNA-seq计数的分布通常表现出过度分散、零膨胀和重尾;此外，在纵向设计中，来自同一受试者的重复测量通常（正）相关。我们提出了一个广义线性混合模型的基础上的Poisson-Tweedie分布，可以灵活地处理上述功能的纵向过度分散计数。我们开发了一种计算方法来准确地评估所提出的模型的可能性，并进行极大似然估计。我们的方法在R包ptmixed中实现，可以从CRAN免费下载。我们评估了ptmixed在模拟数据上的性能，并将其应用于健康和营养不良小鼠的纵向RNA测序测量数据集。Poisson-Tweedie混合效应模型的适用性不限于纵向RNA-seq数据，但它扩展到任何情况下，其中离散过度分散的响应变量的非独立测量是可用的。
2020-08-26 stat.AP stat.CO stat.ME
Projection Pursuit with Applications to scRNA Sequencing Data
在本文中，我们探讨了PCA作为一种降维技术的局限性，并研究了其扩展，投影寻踪（PP），这是一个广泛的一类线性降维方法。首先讨论了相关概念和定理，然后将PCA和PP（以负标准化香农熵为投影指标）应用于单细胞RNA测序数据。
2022-10-14 stat.ME stat.ML
Unit-free and robust detection of differential expression from RNA-Seq data
超高通量转录组测序（RNA-Seq）由于其低成本、高准确度和宽动态检测范围而被广泛用于定量基因表达水平。然而，RNA-Seq的性质使得几乎不可能提供转录本丰度的绝对测量。过去已经提出了用于转录物定量的几种单位或数据汇总方法，以解释不同基因和不同样品之间转录物长度和测序深度的差异。尽管如此，仍然需要进一步的样本间归一化来可靠地检测差异表达的基因。本文提出了一个统一的统计模型，用于差异基因表达和样本间归一化的联合检测。我们的方法是独立的基因表达水平的总结单位。我们还介绍了一个有效的算法模型拟合。由于在我们的模型中使用的L0惩罚似然，它能够可靠地标准化数据，并检测差异基因表达在某些情况下，当超过$50\%$的基因以不对称的方式差异表达。我们比较我们的方法与现有的方法，使用模拟和真实的数据集。
2016-08-26 stat.ME
Finite mixtures of matrix-variate Poisson-log normal distributions for three-way count data
三向数据结构是生物学研究中常见的数据结构，其特征在于三个实体：单位、变量和场合。在RNA测序中，当在$r$场合跨$p$条件收集$n$基因的高通量转录组测序数据时，获得三向数据结构。矩阵变量分布提供了一种自然的方式来建模三向数据，并且矩阵变量分布的混合可以用于聚类三向数据。基因表达数据的聚类是发现基因共表达网络的手段。在这项工作中，提出了一种混合矩阵变量泊松-对数正态分布的聚类读取计数从RNA测序。通过考虑矩阵变量结构，同时考虑了RNA测序数据集的条件和场合的全部信息，并且减少了待估计的协方差参数的数量。我们提出了三种不同的框架参数估计：一个马尔可夫链蒙特卡罗为基础的方法，变分高斯近似为基础的方法，和混合方法。各种信息标准用于模型选择。该模型被应用到真实和模拟数据，我们证明，所提出的方法可以恢复在这两种情况下的底层集群结构。在真实模型参数已知的仿真研究中，我们提出的方法显示出良好的参数恢复。
2022-06-21 stat.ME
Contrastive latent variable modeling with application to case-control sequencing experiments
高通量RNA测序（RNA-seq）技术是了解细胞状态的有力工具。经常感兴趣的是量化和总结实验或生物条件之间发生的细胞状态变化。通常使用单变量检验来评估差异表达，以测量表达中的基因变化。然而，这些方法在很大程度上忽略了转录相关性的变化。此外，需要鉴定基因表达转变的低维结构，以鉴定在条件之间变化的基因集合。在这里，我们提出了为计数数据设计的对比潜变量模型，以创建测序数据中差异表达的更丰富的画像。这些模型在明确的基线变异模型的背景下，解开了不同条件下转录变异的来源。此外，我们开发了一个基于模型的假设检验框架，可以测试全球和基因子集特异性的表达变化。我们测试我们的模型，通过广泛的模拟和分析与计数为基础的基因表达数据的扰动和观察测序实验。我们发现，我们的方法可以有效地总结和量化复杂的转录变化的病例对照实验测序数据。
2021-02-12 q-bio.GN q-bio.QM stat.ME
BNP-Seq: Bayesian Nonparametric Differential Expression Analysis of Sequencing Count Data
我们在贝叶斯非参数框架下对高通量测序计数数据进行差异表达分析，去除了现有算法中通常需要的复杂的特设预处理步骤。我们建议使用伽马（β）负二项过程，它考虑到不同的测序深度，使用样本特异性负二项概率（分散）参数，通过比较基因特异性负二项分散（概率）参数的后验分布来检测差异表达的基因。这些模型参数是通过借用基因和样本的统计强度来推断的。模拟和真实世界的RNA测序计数数据上的广泛实验表明，所提出的差异表达分析算法明显优于先前提出的接收器操作特性和精确度-召回曲线下的区域。
2017-05-02 q-bio.GN stat.AP stat.ME
Nonparametric Hypothesis Testing of High-dimensional Clustering With Application to Single-cell RNA Data
University of North Carolina（北卡罗来纳大学）；University of Michigan（密歇根大学）
针对高维聚类显著性检验中高斯假设不可靠的问题，提出基于对数凹分布的非参数方法SigClust-LCP，结合分数匹配估计器，在控制第一类错误和保持功效的同时，避免单细胞数据中的虚假亚聚类。
2026-09-09 stat.AP stat.CO stat.ME
Sequential Sampling for Optimal Bayesian Classification of Sequencing Count Data
高通量技术已成为生物医学应用中比较研究的首选实践。由于测序成本或获得感兴趣的生物体而导致的有限数量的样本点需要开发有效的样品收集以最大化下游统计分析的功效。本文提出了一种在最优贝叶斯分类框架下顺序选择训练样本的方法。针对RNA测序计数数据，所提出的方法利用了具有封闭形式更新的高效吉布斯抽样过程。我们的研究结果表明，增强的分类精度，相比随机抽样。
2018-07-12 eess.SP stat.ME
The permuted score test for robust differential expression analysis
针对负二项回归假设失效导致差异表达分析错误率失控的问题，提出基于置换得分统计量并结合序贯蒙特卡洛与高效GLM算法的检验方法，在保持功效和效率的同时显著改进I类错误控制。
2025-01-07 stat.AP stat.ME
Differential meta-analysis of RNA-seq data from multiple studies
高通量测序现在经常用于转录组（RNA-seq）的研究，特别是用于实验条件之间的比较。目前，在这样的实验中通常考虑有限数量的生物学重复，导致差异表达的检测能力低。随着其成本不断下降，可能会进行更多的后续研究，以重新解决同样的生物学问题。我们演示了如何将先前用于微阵列荟萃分析的p值组合技术用于多个相关研究的RNA-seq数据的差异分析。将这些技术与负二项广义线性模型（GLM）进行比较，包括对人黑素瘤细胞系模拟数据和真实数据的固定研究效应。固定研究效应的GLM在低研究间变异性和少量研究中表现良好，但在中至大研究间变异性和大量研究中表现优于荟萃分析方法。综上所述，本文所述的p值组合技术是一种有价值的工具，可通过适当解释研究中的生物学和技术变异性以及其他研究特异性效应，对RNA-seq数据进行差异荟萃分析。R包MetaRNASeq在R Forge上可用。
2013-06-16 q-bio.GN stat.AP stat.ME
Phylogenetically informed Bayesian truncated copula graphical models for microbial association networks
微生物在宿主健康中起着关键作用。高通量测序技术的进步为更深入地了解微生物相互作用提供了机会。然而，由于16S核糖体RNA测序的限制，微生物组数据是零膨胀的，并且不能在受试者之间进行微生物丰度的定量比较。通过利用最近的微生物组分析技术，量化16S核糖体RNA微生物计数，我们提出了一种新的贝叶斯图形模型，通过系统发育树之前，并明确说明零通货膨胀使用截断高斯copula微生物的进化历史。我们的模拟研究表明，进化信息大大提高了网络估计的准确性。我们将所提出的模型应用于106名健康受试者的定量肠道微生物组数据，并确定了现有微生物网络估计模型无法确定的三种不同的微生物群落。我们进一步发现，这些社区是基于微生物利用氧气作为能源的能力来区分的。
2021-05-11 stat.ME
Making Multi-Axis Models Robust to Multiplicative Noise: How, and Why?
本文提出MED-MAGMA算法，用于拟合受乘性噪声干扰的多轴模型，通过在单细胞RNA测序等领域的公开数据集验证，证明其能学习具有更好局部和全局结构的网络。
2026-03-27 cs.LG stat.ME
Non-ignorable fuzziness in granular counts: the case of RNA-seq data
University of Padova（帕多瓦大学）；National Research Council（国家研究委员会）；Warsaw University of Technology（华沙理工大学）；University of Bari ‘‘A. Moro’’（巴里阿尔多·莫罗大学）
本文研究了RNA-seq数据中因reads到基因对齐模糊性导致的粒状计数问题，提出了一种非可忽略的模糊报告机制，并通过分层模型展示了其应用。
2026-04-27 q-bio.GN stat.AP stat.ME
A Statistical Framework for Co-Mediators of Zero-Inflated Single-Cell RNA-Seq Data
针对 scRNA-seq 数据的零膨胀与复杂共同中介结构，提出结合零膨胀负二项模型和 beta 回归的因果中介框架，模拟显示功效提升且 FDR 受控，并在 ROSMAP 数据中发现有生物学意义的中介效应。
2025-09-30 q-bio.GN q-bio.QM stat.AP
A Multivariate Poisson-Log Normal Mixture Model for Clustering Transcriptome Sequencing Data
在高通量测序研究中经常遇到离散和偏斜性质的高维数据。分析网络本身或这类数据中基因之间的相互作用仍然存在许多挑战。由于数据可视化技术对于更高维度变得繁琐，并且当数据中同质子组之间没有明确的分离时无法令人信服，聚类分析提供了一种直观的替代方案。在这种情况下，应用基于混合模型的聚类的目的是发现共表达的基因组，这可以揭示基因产物的生物学功能和途径。提出了一种用于高通量转录组测序数据聚类的多变量Poisson-Log Normal（MPLN）混合模型。MPLN模型能够拟合广泛的相关性和过度分散情况，并且是对RNA测序研究的多变量计数数据建模的理想选择。通过马尔可夫链蒙特卡罗期望最大化算法（MCMCM-EM）进行参数估计，并使用信息准则进行模型选择。
2017-11-30 q-bio.QM stat.CO stat.ME
Variance component score test for time-course gene set analysis of longitudinal RNA-seq data
随着基因表达测量技术从微阵列转移到测序，必须调整可用于其分析的统计工具，因为RNA-seq数据是以计数形式测量的。最近，已经提出通过将每百万的对数计数读数建模为连续变量来处理这些数据的计数性质，使用非参数回归来解释其固有的异方差性。采用这样一个框架，我们提出了tcgsaseq，一个原则性的，无模型的和有效的自上而下的方法检测纵向变化的RNA-seq基因集。考虑到先验定义的基因集，tcgsaseq基于原始方差分量分数检验来识别那些表达随时间变化的基因集，该分数检验考虑了协变量和异方差性，而不假设转换计数的任何特定参数分布。我们证明，尽管存在非参数分量，我们的检验统计量有一个简单的形式和限制分布，都可以快速计算。另外还提出了一个置换版本的测试非常小的样本量。应用到模拟数据和两个真实的数据集，所提出的方法显示出非常好的统计特性，与最先进的方法ROAST，edgeR和DESeq 2相比，稳定性和功率的增加，这可能无法控制在某些现实的设置下的第一类错误。我们已经在R包tcgsaseq中为社区提供了该方法。
2017-01-06 q-bio.GN stat.AP stat.ME
A Unified Model for Differential Expression Analysis of RNA-seq Data via L1-Penalized Linear Regression
RNA测序（RNA-seq）在定量基因表达水平方面越来越受欢迎。由于RNA-seq测量本质上是相对的，因此计数的样本间标准化是差异表达（DE）分析中的重要步骤。现有DE检测算法的标准化是特别的，并且在DE检测之前执行一次，这可能是次优的，因为理想的标准化应该仅基于非DE基因，因此与DE检测相结合。我们提出了一个统一的统计模型联合归一化和DE检测的对数转换RNA-seq数据。样本特异性归一化因子在基因线性模型中建模为未知参数，并与回归系数联合估计。通过施加稀疏诱导L1惩罚（或多种处理条件下的混合L1/L2范数）对回归系数的影响，仿真结果表明，所提出的模型和算法在检测能力和误检率方面均优于现有的方法，并且在检测性能和误检率方面均优于现有的方法。当超过一半的基因差异表达和/或当DE基因中上调和下调基因的数量不平衡时，阳性率。
2016-10-11 q-bio.GN stat.ME
Fused inverse-normal method for integrated differential expression analysis of RNA-seq data
使用下一代转录组测序技术（RNA-seq）进行基因表达谱分析，已广泛应用于研究包括癌症在内的不同生物学状况。然而，由于成本的原因，RNA-seq实验仍然是小样本量实验。最近，越来越多的关注已经在整合差异表达分析的荟萃分析方法探索潜在的生物标志物。在这项研究中，我们提出了一种p值组合方法，用于多个相关RNA-seq研究的荟萃分析，该方法考虑了研究的样本量和个体研究中基因表达的方向。该方法推广了逆正态方法，而不增加计算复杂性，并没有预先或事后过滤基因，在不同的研究中有冲突的表达方向。因此，所提出的方法，与逆正态相比，具有更好的潜力，发现差异表达基因（DEG）与潜在冲突的差异信号，从多个研究有关的疾病。我们证明了使用所提出的方法在胶质母细胞瘤（GBM），最具侵略性的脑癌的生物学相关DEG检测。我们的方法显著地使得能够鉴定与癌基因RAD 51的健康对照相比GBM中的过表达，该癌基因RAD 51最近被证明是抑制的靶点，以在治疗期间增强GBM细胞的放射敏感性。通路分析鉴定了多种异常GBM相关通路以及新的调节剂如TCF 7 L2和MAPT作为GBM中的重要上游调节剂。所提出的方法提供了一种在个体RNA-seq研究中建立具有冲突表达方向的基因的差异表达状态的方法。因此，导致进一步探索它们作为疾病的潜在生物标志物。
2021-06-30 stat.ME
A mathematical framework for raw counts of single-cell RNA-seq data analysis
单细胞RNA-seq数据具有挑战性，因为读段计数稀疏，许多相关基因的微小表达以及不同细胞RNA提取效率的差异。我们考虑一个简单的概率模型的读取计数，基于负二项分布为每个基因，修改的细胞依赖性系数解释为提取效率。我们提供了两种替代的快速方法来估计模型参数，以及细胞导致基因的零读取计数的概率。这允许以新的方式测量基因共表达和差异表达。
2020-02-07 math.ST stat.ME stat.TH
Optimizing Sample Size for Supervised Machine Learning with Bulk Transcriptomic Sequencing: A Learning Curve Approach
针对监督式机器学习在转录组分类中的样本量规划问题，提出结合数据增强与学习曲线拟合来刻画功效—样本量关系，并在 microRNA 和 RNA 测序数据上验证。
2024-09-10 q-bio.GN stat.ME
Multi-scale Poisson process approaches for differential expression analysis of high-throughput sequencing data
评估和测试不同条件下的分子表型差异（例如基因表达、染色质可及性、转录因子结合）是理解基因调控的分子基础的重要组成部分。这些表型通常使用高通量测序测定（例如，RNA-seq、ATAC-seq、ChIP-seq），其提供反映表型如何沿基因组变化的高分辨率计数数据。已经提出了多种方法来帮助利用这些高分辨率的测量差异表达分析。但是，它们忽略了数据的计数性质，而是使用仅适用于大样本量或高计数数据的正态近似。在这里，我们开发基于计数的方法来解决这个问题。我们使用具有空间结构的底层强度函数的非齐次泊松过程对每个样本的数据进行建模，然后建立泊松过程的多尺度模型，估计和测试样本（或样本组）之间的底层强度函数的差异。使用模拟和真实的ATAC-seq数据，我们表明我们的方法优于以前的正常的方法，特别是在小样本量或低计数的情况下。
2021-06-25 q-bio.QM stat.ME
Wavelet-based genetic association analysis of functional phenotypes arising from high-throughput sequencing assays
了解遗传变异如何影响细胞水平的过程是了解它们如何影响重要的生物体水平特征或“表型”（包括人类疾病易感性）的重要一步。为此，科学家们正在进行大规模的遗传关联研究，旨在确定与分子和细胞表型相关的遗传变异，如基因表达，转录因子结合或染色质可及性。这些研究使用高通量测序分析（例如RNA-seq，ChIP-seq，DNase-seq）来获得关于每个样品中性状如何沿基因组变化的高分辨率数据。然而，典型的关联分析无法利用这些高分辨率的测量，而是以较粗的分辨率聚合数据，例如基因或固定长度的窗口。在这里，我们开发和应用统计方法，更好地利用高分辨率数据。其关键思想是将序列数据视为测量沿基因组变化的潜在“功能”，然后基于小波的功能数据分析方法，测试遗传变异与潜在功能之间的关联。应用这些方法来识别与染色质可及性（dsQTL）相关的遗传变异，我们发现，它们识别出的关联比简单的基于窗口的分析要多得多，总共我们识别出772个未被原始分析识别出的新dsQTL。
2013-07-27 q-bio.GN stat.ME
A statistical normalization method and differential expression analysis for RNA-seq data between different species
背景：高通量技术为基因组研究带来了新的工具，但也带来了统计学上的挑战。识别不同物种之间差异表达的基因是发现进化保守转录反应的有效方法。为了消除不同物种之间的系统性差异以进行公平的比较，标准化程序作为关键的预处理步骤，用于调整不同的样品测序深度和其他混淆技术效应。结果如下：在本文中，我们提出了一个基于尺度的归一化（SCBN）方法，考虑到现有的知识保守的直向同源基因和假设检验框架。考虑到不同物种之间不同的基因长度和未映射的基因，我们从假设检验的角度制定的问题，并寻找最佳的比例因子，最大限度地减少经验和名义第一类错误之间的偏差。结论：仿真研究表明，所提出的方法在广泛的设置中比现有的竞争对手表现得更好。对不同物种的RNA-seq数据集进行了分析，结果表明该方法优于现有方法。为了实际应用，我们还开发了一个名为“SCBN”的R软件包，该软件可在http://www.bioconductor.org/packages/devel/bioc/html/SCBN.html上获得。
2018-10-04 q-bio.GN stat.ME
