Modeling and analysis of RNA-seq data: a review from a statistical perspective
背景资料：自下一代RNA测序（RNA测序）技术发明以来，它们已成为研究生物样品中RNA分子的存在和数量的有力工具，并彻底改变了转录组学研究。RNA测序数据在四个不同水平（样品、基因、转录本和外显子）的分析涉及多个统计和计算问题，其中一些问题至今仍具有挑战性。结果：我们从统计学的角度回顾了样本、基因、转录本和外显子水平的RNA测序分析工具。我们还强调了最实际的考虑的生物和统计问题。结论：用于分析RNA测序数据的统计和计算方法的发展在过去十年中取得了重大进展。然而，为回答相同的生物学问题而开发的方法通常依赖于不同的静态模型，并且在不同的场景下表现出不同的性能。本文讨论并比较了多种常用的统计模型，希望能帮助用户根据需要选择合适的方法，并帮助开发人员进行未来的方法开发。
2018-05-01 q-bio.GN
Realistic simulations reveal extensive sample-specificity of RNA-seq biases
与RNA测序的重要性一致，生物信息学界已经产生了许多数据分析工具，这些工具结合了纠正样本特异性偏差的方法。然而，很少有先进的模拟工具存在，使竞争的校正方法的基准。我们引入了第一个框架来再现单个RNA测序运行的属性，并通过将其应用于多个数据集，我们证明了在现实模拟中考虑样本特异性的重要性。
2013-08-14 q-bio.GN
Improved annotation of 3-prime untranslated regions and complex loci by combination of strand-specific Direct RNA Sequencing, RNA-seq and ESTs
基因组序列的参考注释为基因组的所有后续分析提供了框架。当解释RNA测序实验的结果时，正确的注释特别重要，其中短序列读数被映射到基因组并根据注释分配给基因。参考系统和实验系统之间注释的增加可能导致对研究系统中实验处理或突变对RNA表达的影响的错误解释。直到最近，3-prime非翻译区的全基因组注释受到的关注少于编码区和内含子/外显子边界的划定。本文对人、鸡和A.通过来自Helicos Biosciences的新的单分子、链特异性、直接RNA测序技术（其将3-prime多聚腺苷酸化位点定位在+/-2 nt内）对拟南芥进行测序，与存档EST和RNA测序数据组合。举例说明了九个实例，其中这种数据组合允许：（1）基因和3-prime UTR重新注释（包括将一个3-prime UTR延伸5.9 kb）;（2）在复杂区域中解开基因表达;（3）更清楚地解释小RNA表达和（4）鉴定新基因。虽然这里显示的具体例子可能会随着基因组序列及其注释的完善而过时，但本文中列出的原则将对注释基因组的人和那些试图在其自己的实验数据的背景下解释现有的化学上可用的注释的人具有普遍用途
2013-11-11 q-bio.GN
Predicting Breast Cancer Phenotypes from Single-cell RNA-seq Data Using CloudPred
本研究将端到端可微学习算法CloudPred扩展应用于乳腺癌单细胞RNA-seq数据的表型预测，发现其预测准确率达到AUC为1，优于线性和Deepset模型，验证了其在无关生物数据上的鲁棒性。
2024-02-17 q-bio.GN
Statistical models for RNA-seq data derived from a two-condition 48-replicate experiment
高通量RNA测序（RNA测序）现在是确定差异基因表达的标准方法。鉴定差异表达基因关键取决于对读段计数变异性的估计。这些估计值通常基于统计模型，如负二项分布，由工具edgeR，DESeq和cuffdiff使用。到目前为止，这些模型的有效性通常在低重复RNA测序数据或模拟上进行测试。在酵母中进行48次重复的RNA测序实验，并针对理论模型测试数据。观察到的基因读段计数与对数正态和负二项分布一致，而均值-方差关系遵循约0.01的恒定离散参数线。高重复数据还允许严格的质量控制和不良重复的筛选，这可能会极大地影响基因读数分布。RNA测序数据已提交至ENA档案室，项目ID为PRJEB 5348。
2015-05-04 q-bio.GN
Statistical modeling of isoform splicing dynamics from RNA-seq time series data
异构体定量是RNA测序实验的一个重要目标，但对于低表达或几种异构体的基因仍然存在问题。这些困难原则上可以通过利用相关的实验设计，如时间序列或剂量反应实验来改善。特别地，时间序列RNA测序实验正变得越来越流行，但是没有明确地利用实验设计来改进同种型定量的方法。在这里，我们提出了DICEseq，第一个异构体定量方法定制相关的RNA测序实验。DICEseq明确模拟了不同RNA测序实验之间的相关性，以帮助跨实验定量同种型。在模拟数据集上的数值实验表明，DICEseq产生的结果比最先进的方法更准确，这一优势在低覆盖率下可能变得相当可观。在真实数据集上，我们的结果表明DICEseq提供了实质上更可重复和稳健的定量，在具有低或中等表达水平的基因（所有基因的下三分之一）上，将来自重复数据集的估计值的相关性增加了高达10%。此外，DICEseq允许量化RNA的时间采样和测序深度之间的权衡，这通常是计划实验时的重要选择。我们的研究结果对RNA测序实验的设计具有重要意义，并为改进此类数据集的分析提供了一种新的工具。Python代码可以在http://diceseq.sf.net上免费获得。
2016-02-19 q-bio.GN
Protocol for Executing and Benchmarking Eight Computational Doublet-Detection Methods in Single-Cell RNA Sequencing Data Analysis
双联体的存在是单细胞RNA测序（scRNA-seq）数据分析中的关键混杂因素。已经开发了用于从scRNA-seq数据检测双联体的计算方法。我们开发了一个R包DoubletCollection来集成八个双态检测方法的安装和执行。DoubletCollection还提供了一个统一的界面，用于在双联体检测后执行和可视化下游分析。在这里，我们提出了一个协议，使用DoubletCollection基准双检测方法。该协议可以自动适应快速发展的scRNA-seq领域的新双联体检测方法。
2021-06-25 q-bio.GN
High-resolution transcriptome analysis with long-read RNA sequencing
RNA测序（RNA-seq）能够表征和定量单个转录组以及检测等位基因表达和可变剪接的模式。目前的RNA-seq方案依赖于cDNA的高通量短读序测序。然而，随着持续的进步正在迅速产生增加的读段长度，在确定读段长度的差异影响各种转录组分析的程度方面仍然存在技术障碍。在这项研究中，我们为淋巴母细胞系GM 12878生成了两个不同读取长度（2x 75 bp和2x262 bp）的配对末端RNA-seq数据集，并比较了读取长度对转录组分析的影响，包括读取映射性能，基因和转录本定量，以及等位基因特异性表达（ASE）和等位基因特异性可变剪接（ASAS）模式的检测。我们的研究结果表明，虽然目前的长读长方案比短读长测序昂贵得多，但只有更长的读长才能实现重要的好处，包括更低的映射偏差和减少将读长分配给基因组元件（如mRNA转录本）的模糊性。我们表明，这些好处最终导致改善检测顺式作用的调节和剪接变异的影响在个人。
2014-05-28 q-bio.GN
Guidelines for reporting single-cell RNA-Seq experiments
近年来，单细胞RNA测序（scRNA-Seq）经历了重大的技术进步，使各种生物体水平的细胞图谱项目的概念成为可能。随着越来越多的数据集存放在公共档案馆，有必要解决的挑战，使这些数据集的再现性。在这里，我们描述了一组最小元数据的指南，以充分描述scRNA-Seq实验，确保数据分析的再现性。
2019-10-31 q-bio.GN
Exponential scaling of single-cell RNA-seq in the last decade
测量单细胞转录组的能力仅在几年内可行，并且正在成为一种非常受欢迎的测定。虽然许多类型的分析和问题可以使用单细胞RNA测序来回答，但中心焦点是调查样品中细胞类型多样性的能力。对不同细胞类型进行无偏见和可重复的编目需要大量的细胞。技术的发展和方案的改进推动了单细胞RNA测序分析中研究的细胞数量的持续指数增长。从这个角度来看，我们将重点介绍促成数据增长的关键技术发展。
2017-08-08 q-bio.GN
Utilizing RNA-Seq Data for Cancer Network Inference
癌症系统生物学的一个重要挑战是揭示与癌症有关的基因（肿瘤抑制基因和癌基因）之间复杂的相互作用网络。下一代测序提供了无与伦比的能力来探测整个癌症基因组及其转录异构体的表达水平。然而，在解释高维测序数据和推断潜在的遗传网络方面存在繁重的统计和计算问题。在这项研究中，我们分析了来自69个人类个体的淋巴母细胞系的RNA测序数据，并实施了一个概率框架来构建生物相关的遗传网络。特别是，我们采用了图形套索分析，出于最大熵形式主义的考虑，估计RNA测序数据的稀疏逆协方差矩阵。基因本体论，途径富集和蛋白质-蛋白质路径长度分析都进行了验证相互作用的癌症基因异构体的预测网络的生物背景。
2012-12-06 q-bio.GN
Count-based differential expression analysis of RNA sequencing data using R and Bioconductor
RNA测序（RNA-seq）已迅速用于生物学许多领域的转录组分析，包括对基因调控、发育和疾病的研究。特别感兴趣的是发现在不同条件下差异表达的基因（例如，组织、扰动），同时可选地调整影响数据收集过程的其他系统因素。这些分析有许多微妙但关键的方面，例如读段计数、生物变异性的适当处理、质量控制检查和统计建模的适当设置。文献中提出了几种不同的做法，需要就目前的最佳做法提供指导。该方案提出了一种“最先进的”计算和统计RNA-seq差异表达分析工作流程，主要基于免费开源R语言和Bioconductor软件，特别是两种广泛使用的工具DESeq和edgeR。典型小型实验的动手时间（例如，4-10示例）可以小于1小时，使用标准台式PC计算时间小于1天。
2013-06-20 q-bio.GN
Hierarchical clustering of DNA k-mer counts in RNA-seq fastq files reveals batch effects
批次效应是实验设计引起的人为变异源，是高通量数据中的普遍现象。因此，需要用于检测批次效应的机制，该机制需要多个样品的比较。我们对多个RNA测序衍生的Fastq文件的DNA k聚体计数应用层次聚类（HC）。理想情况下，HC生成的树反映了实验处理组，因此可能表明实验效应，但制备组的聚类表明存在批次效应。为了提供一个简单适用的工具，我们在Bioconductor上提供的R包（seqTools）中实现了Fastq读取的顺序分析，内存使用率低。在61个Fastq文件上分析DNA k聚体计数，这些文件包含来自在8个不同Illumina Flowcell上测序的两种细胞类型（真皮成纤维细胞和Jurkat细胞）的RNA测序数据。结果如下：对具有分层聚类的所有流动池进行成对比较，发现6个流动池（21%）具有较强的基于流动池的树分离，并且在28个流动池比较中的17个（60.7%）具有可检测的基于流动池的聚类。在我们的样品中，批次效应也存在于映射到人类基因组的读段中。高质量（Phred >30）的过滤读数没有去除批次效应。结论：DNA k-mer计数的层次聚类为RNA测序实验提供了质量标准和非特异性诊断工具。
2017-07-21 q-bio.GN
Root Causal Inference from Single Cell RNA Sequencing with the Negative Binomial
本文提出RCI-NB算法，通过将负二项分布分解为伽马和泊松分量以绕过scRNA-seq计数测量误差，并结合稀疏回归与拟合优度检验，实现患者特异性根因推断。
2023-07-10 q-bio.GN
Methods to study splicing from high-throughput RNA Sequencing data
RNA高通量测序技术的发展为研究多种条件下的剪接提供了一种非常强大的手段。然而，要分析的信息的复杂性使其成为一项具有挑战性的任务。在过去的几年里，已经开发了大量的工具，使研究人员能够处理RNA-Seq数据，以研究异构体和剪接事件的表达，以及它们在不同条件下的相对变化。我们提供了一个概述的方法，可用于研究剪接短RNA-Seq数据。我们根据它们解决的不同问题对这些方法进行分组：1）将测序读数分配给它们可能的起源基因。这通过将读段映射到基因组和/或可用基因注释的方法来解决。2)恢复剪接事件和同种型的序列。这是解决转录重建和从头组装方法。3)事件和同种型的定量。在重建转录物或使用注释之后，许多方法估计表达水平或同种型和/或事件的相对使用。4)提供差异剪接或表达的同种型或事件视图。这些包括在两种或更多种条件下比较相对事件/同种型丰度或同种型表达的方法。5)可视化剪接调控。各种工具有助于在可变剪接的背景下可视化RNA-Seq数据。在这篇综述中，我们不描述每种方法背后的具体数学模型。我们的目的是提供一个概述，可以作为一个切入点，为用户谁需要决定一个合适的工具，为特定的分析。我们还试图提出一个分类的工具，根据他们做的操作，以方便比较和选择的方法。
2015-07-30 q-bio.GN
Isoform reconstruction using short RNA-Seq reads by maximum likelihood is NP-hard
最大似然法是一种流行的异构体重建技术。在这里，我们证明了通过最大似然法使用短RNA测序读数的同种型重建是NP困难的。
2013-05-04 q-bio.GN q-bio.QM
SOAPdenovo-Trans: De novo transcriptome assembly with short RNA-Seq reads
动机：转录组测序长期以来一直是用于快速且廉价地从没有参考基因组的生物体获得大量基因的序列的受欢迎的方法。随着下一代测序的快速增加的通量和降低的成本，RNA测序已经变得流行;但是考虑到该技术的典型短读段（例如2 × 90 bp配对末端），重新组装以恢复完整或全长转录物序列仍然是算法上的挑战。结果：我们提出了SOAPDenovo-Trans，一个专门为RNA测序设计的从头转录组组装程序。在水稻和小鼠的转录组数据集上评估了其性能。使用来自这些注释良好的基因组（十年前测序）的已知转录本作为我们的基准，我们评估了SOAPdenovo- Trans和其他两个流行的软件如何处理可变剪接和可变表达水平的实际问题。我们的结论是，SOAPDenovo-Trans提供了更高的连续性，更低的冗余和更快的执行。可用性和实施：源代码和用户手册位于http://sourceforge.net/projects/soapdenovotrans/联系人：xieyl@genomics.cn或bgi-soap@googlegroups.com
2013-08-09 q-bio.GN
Selecting between-sample RNA-Seq normalization methods from the perspective of their assumptions
RNA测序是研究基因在不同生物条件下行为的一种广泛使用的方法。RNA测序研究中的一个重要步骤是标准化，其中对原始数据进行调整，以考虑阻止直接比较表达测量的因素。标准化中的错误会对下游分析产生重大影响，例如差异表达分析中的夸大假阳性。归一化的一个未被充分强调的特征是方法所依赖的假设以及这些假设的有效性如何对方法的性能产生实质性影响。在本文中，我们解释了假设如何提供原始RNA测序读数计数和基因表达的有意义的措施之间的联系。我们从假设的角度来研究归一化方法，因为理解方法假设对于选择适合手头数据的方法是必要的。此外，我们还讨论了为什么归一化方法在其假设被违反时表现不佳，以及这如何在后续分析中引起问题。为了分析生物学实验，研究人员必须选择一种标准化方法，该方法具有满足的假设，并为给定的实验产生有意义的表达测量。
2016-09-04 q-bio.GN
Probe region expression estimation for RNA-seq data for improved microarray comparability
快速增长的公共基因表达数据库包含了丰富的数据，可用于构建前所未有的人类生物学和疾病详细图像。这些数据来自许多不同的测量平台，这使得整合这些数据变得困难。虽然RNA测序（RNA测序）吸引了最多的关注，但目前提交到公共数据库的新微阵列研究的速度远远超过新RNA测序研究的速度。显然，需要有一种方法，使不同技术的数据更容易结合起来。在本文中，我们提出了一种处理RNA测序数据的新方法，该方法产生的基因表达估计值与来自微阵列数据的相应估计值更加相似，从而大大提高了跨平台的可比性。我们称之为PREBS的方法是基于从与微阵列探针区域重叠的RNA测序读取中估计表达，并用微阵列汇总算法RMA处理这些估计。使用配对的微阵列和来自TCGA LAML数据集的RNA测序样本，我们表明，来自RNA测序的PREBS表达估计值与来自其他RNA测序处理方法的基于微阵列的表达估计值更相似。在使用RNA测序查询样品从数据库检索配对的微阵列样品的实验中，发现基于PREBS表达估计定义的基因签名比来自其他方法的那些更准确。PREBS还允许使用RNA测序数据的新方法，例如微阵列探针组的表达估计。在Bioconductor软件包“prebs”中可以实现所提出的方法。
2014-10-15 q-bio.GN q-bio.QM
Dynamic Model for RNA-seq Data Analysis
新开发的深度测序技术使获得有关转录生物学的定量和定性信息成为可能。通过测量样品中所有基因的信使RNA水平，RNA测序提供了一个有吸引力的选择来表征转录的整体变化。RNA测序正在成为基因表达谱分析的广泛使用的平台。然而，RNA测序数据中的真实转录信号与测量和测序误差以及其他随机生物/技术变化混淆。如何适当地考虑由于错误和测序技术变化引起的变异性是RNA测序数据分析中的关键问题。为了从RNA测序数据中提取生物学上有用的转录过程，我们建议使用第二个ODE对RNA测序数据进行建模。我们使用差分主分析开发的统计方法估计的位置变化系数的常微分方程。我们通过预测分析和5折交叉验证来验证ODE模型拟合RNA测序数据的准确性。我们发现第二个ODE模型预测跨基因的基因表达水平的准确性非常高，并且第二个ODE模型非常好地拟合RNA测序数据。为了进一步评估ODE模型用于RNA测序数据分析的性能，我们使用第二个ODE的位置变化系数作为特征来对正常细胞和肿瘤细胞进行分类。我们证明，即使使用单基因的ODE模型，我们可以达到很高的分类精度。我们还进行了响应分析，以研究转录过程如何响应外部信号的扰动，并确定了数十个与癌症相关的基因。
2014-12-04 q-bio.GN q-bio.QM
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
Biases in differential expression analysis of RNA-seq data: A matter of replicate type
在RNA测序计数数据的差异表达（DE）分析中，已知具有较大读段数的基因更可能差异表达。这种偏差通过扰乱基因集的等级对随后的基因本体（GO）分析产生了深远的影响。另一个已知的偏差是，常用的参数DE分析方法（例如，edgeR、DESeq和baySeq）倾向于随着测序深度的增加而产生更多的DE基因。然而，我们表明，这些偏见实际上仅限于技术复制类型的数据。我们还表明，应用于技术重复数据的GO或基因集富集分析方法会导致相当数量的假阳性。总之，目前的DE和富集分析方法可以放心地用于生物重复计数数据，而在分析技术重复数据时应谨慎。
2015-08-15 q-bio.GN
Categorization and analysis of 14 computational methods for estimating cell potency from single-cell RNA-seq data
本文综述并分类了14种从单细胞RNA测序数据估算细胞效能的计算方法，比较其原理、实现差异与使用复杂性，指出该领域缺乏共识并呼吁建立基准数据集。
2024-08-31 q-bio.GN
A Graphical Method for Identifying Gene Clusters from RNA Sequencing Data
本研究提出基于图的方法，利用Node2Vec+计算基因嵌入并结合谱聚类，经树结构Parzen估计器联合优化，在AMD相关RNA-Seq数据中实现稳健基因簇识别，可推广至其他数据集，助力疾病相关基因机制研究。
2025-11-12 q-bio.GN
Automated family-based naming of small RNAs for next generation sequencing data using a modified MD5-digest algorithm
我们开发了NameMyGene，这是一个网络工具和独立程序，可以轻松地为小RNA序列生成假定的基于家族的名称，以便实验室可以轻松地组织，分析和观察下一代测序仪生成的大量数据的模式。NameMyGene也适用于其他新兴方法，如RNA-Seq和Chip-Seq，仅使用输入的小RNA序列，不需要任何额外的数据，如其他序列数据集。网络服务器和软件免费提供（http：//www.johnlab.org/NameMyGene），并基于Java以确保平台独立性。
2012-10-23 cs.CR q-bio.GN
Methods for Joint Imaging and RNA-seq Data Analysis
新兴的基因组和解剖成像数据的综合分析尚未得到很好的发展，提供了宝贵的信息，为整体发现疾病的基因组结构，并有可能打开一个新的途径，发现新的疾病易感基因，不能确定，如果他们被单独分析。成像和基因组数据分析成功的一个关键问题是如何减少它们的维度。用于成像信息提取和RNA测序数据简化的大多数先前方法不探索成像空间信息，并且通常忽略基因组位置水平上的基因表达变化。为了克服这些局限性，我们扩展功能主成分分析从一维到二维（2DFPCA）表示成像数据，并开发了一个多功能线性模型（MFLM），其中图像的功能主得分作为多个数量性状和跨基因的RNA测序作为一个功能预测器评估与图像的基因表达的关联。所开发的方法已应用于卵巢癌和KIRC研究的图像和RNA测序数据。我们分别鉴定了24个和84个基因，它们的表达与卵巢癌和KIRC研究中的成像变异相关。我们的研究结果表明，许多与图像显著相关的基因没有差异表达，但揭示了它们的形态和代谢功能。MFLM回归系数函数的峰值往往能发现剪接位点和多个基因表达亚型。
2014-09-13 q-bio.GN
An optimized protocol for single cell transcriptional profiling by combinatorial indexing
单细胞组合索引RNA测序（sci-RNA-seq）是用于从指数可扩展数量的个体细胞或细胞核中恢复基因表达数据的有力方法。然而，sci-RNA-seq是一种复杂的方案，历史上在不同组织上表现出不同的性能，并且灵敏度低于替代方法。在这里，我们报告了一个简化的优化版本的三水平sci-RNA-seq协议，更快，更高的产量，更强大，更灵敏，比原来的sci-RNA-seq 3协议，与试剂成本约为1美分/细胞或更少。我们展示了优化的协议，通过E16.5小鼠胚胎的整个生物体分析，在一个实验中分析约380，000个细胞核。最后，我们介绍了一个“微小的sci-*”协议的实验输入是非常有限的。
2022-01-06 q-bio.GN
Sailfish: Alignment-free Isoform Quantification from RNA-seq Reads using Lightweight Algorithms
RNA测序已迅速成为测量基因表达的事实上的技术。然而，分析所需的时间跟不上数据生成的速度。在这里，我们介绍Sailfish，一种新的计算方法，用于从RNA测序数据中量化先前注释的RNA异构体的丰度。Sailfish完全避免了映射读取，这在所有当前方法中都是一个耗时的步骤。Sailfish提供的量化估计比现有方法快得多（通常快20倍），而不会损失准确性。
2013-08-16 cs.CE q-bio.GN
mTim: Rapid and accurate transcript reconstruction from RNA-Seq data
高通量cDNA测序（RNA测序）技术的最新进展彻底改变了转录组研究。RNA测序的一个主要动机是以核苷酸分辨率绘制表达转录物的结构。利用用于转录物重建的精确计算工具，该技术也可以用于基因组（重新）注释，其主要依赖于从头基因发现，其中基因结构主要从基因组序列推断。我们开发了一种机器学习方法，称为mTim（基于边缘的转录本推理方法），用于从RNA测序读取比对重建转录本，该方法基于区分训练的隐马尔可夫支持向量机。除了来自读段比对的特征外，它还利用特征性基因组序列，例如剪接位点周围的序列，以改善转录物预测。mTim推断的转录物与来自Cufflinks（一种广泛使用的转录物组装方法）的转录物相比高度准确并且对比对误差相对稳健。
2013-09-20 q-bio.GN stat.ML
MSIQ: Joint Modeling of Multiple RNA-seq Samples for Accurate Isoform Quantification
下一代RNA测序（RNA-seq）技术已被广泛用于以高通量方式评估全长RNA同种型丰度。RNA-seq数据提供了对基因表达水平和转录组结构的深入了解，使我们能够更好地了解基因表达和基本生物过程的调控。由于测序实验中的信息丢失，来自RNA-seq数据的准确异构体定量具有挑战性。最近来自相同组织或细胞类型的多个RNA-seq数据集的积累为提高亚型定量的准确性提供了新的机会。然而，用于多个RNA-seq样品的现有统计或计算方法在估计同种型丰度时将样品汇集到一个样品中或对样品分配相等的权重。这些方法忽略了不同样品质量的可能异质性，可能导致偏倚和不稳健的估计。在这篇文章中，我们开发了一种方法，我们称之为“多个RNA-seq样本的准确异构体定量联合建模”（MSIQ），通过在贝叶斯框架下整合多个RNA-seq样本来实现更准确和更强大的异构体定量。我们的方法旨在（1）识别具有同质质量的一致样本组，以及（2）通过允许一致组上的更高权重来联合建模多个RNA-seq样本，从而提高亚型定量准确性。我们表明，MSIQ提供了一个相合估计量的异构体丰度，我们证明了MSIQ的准确性和有效性相比，替代方法通过模拟研究D。melanogaster基因我们通过对来自人类胚胎干细胞、脑组织和HepG 2永生化细胞系的真实RNA-seq数据的应用研究，证明了MSIQ优于现有方法的优势。
2017-12-02 q-bio.GN q-bio.QM stat.AP
RNAMunin: A Deep Machine Learning Model for Non-coding RNA Discovery
Jorgmundir
本文提出RNAMunin，一种仅利用基因组序列即可在多个Gbp规模的长读长宏基因组数据中发现非编码RNA的轻量级机器学习模型，无需转录组数据，参数约1M且计算快速。
2025-07-16 cs.LG q-bio.GN
Models for transcript quantification from RNA-Seq
RNA测序正迅速成为转录组分析的标准技术。RNA测序的许多应用的基础是定量问题，其是来自测序读数的相对转录物丰度的准确测量。我们专注于这个问题，并回顾了许多最近发表的模型，用于估计相对丰度。除了描述模型和不同的推理方法外，我们还解释了方法之间的关系。一个关键的结果是，我们展示了如何推断与许多模型的结果在相同的估计相对丰度，即使模型配方可以是非常不同的。事实上，我们能够展示一个通用模型如何捕获以前发布的方法的许多元素。我们还回顾了RNA测序模型在差异分析中的应用，并解释了为什么准确的相对转录丰度估计对下游分析至关重要。
2011-05-13 q-bio.GN stat.ME
CLEAR: Coverage-based Limiting-cell Experiment Analysis for RNA-seq
为单细胞RNA测序开发的直接cDNA预扩增方案已经能够在没有样品合并或RNA提取的情况下对珍贵的临床样品和稀有细胞进行转录组分析。目前，没有优化的算法来揭示和去除限制细胞RNA测序（lc RNA测序）数据中的噪声转录物以用于下游分析。在此，我们提出了CLEAR，这是一种在差异表达基因（DEG）分析的lcRNA-seq数据中识别可靠的可定量转录本的工作流程。来自慢性淋巴细胞白血病患者的三种输入量的FACS衍生的CD 5+和CD 5-细胞的文库用于开发CLEAR。当使用CLEAR转录物与使用所有转录物时，下游分析揭示了不同输入RNA量的更多共享转录物，改善了主成分分析（PCA）分离，并在细胞类型之间产生了更多DEG。作为原理证明，CLEAR应用于内部lcRNA-seq数据集和两个公共数据集。当使用插补时，CLEAR也适用于大型临床研究和单细胞分析。
2019-05-23 q-bio.GN q-bio.QM
Comprehensive evaluation of differential expression analysis methods for RNA-seq data
RNA转录物的高通量测序（RNA测序）已成为检测差异表达（DE）的首选方法。与此同时，这项技术的日益普及，有一个显着的研究工作致力于了解这些数据的统计特性和分析方法的发展。我们报告的综合评价常用的DE方法使用SEQC基准数据集。我们评估了一些关键特征，包括：评估标准化，DE检测的准确性，仅在一种条件下表达的基因的建模，以及测序深度和重复次数对识别DE基因的影响。我们发现这些方法之间存在显着差异，没有一种方法始终优于其他方法。此外，基于阵列的方法的性能与针对RNA测序数据定制的方法相当。也许最重要的是，我们的结果表明，增加重复样品的数量比增加测序深度提供了更高的检测能力。
2013-01-23 q-bio.GN q-bio.QM
Shared Differential Clustering across Single-cell RNA Sequencing Datasets with the Hierarchical Dirichlet Process
针对单细胞RNA测序数据分析受数据收集问题与偏差影响的难题，本研究构建集成贝叶斯模型同时处理归一化、插补、批次效应并跨数据集非参数聚类细胞，还开发了基于HDP有限维近似的Gibbs采样器用于后验推断。
2023-12-13 q-bio.GN stat.ME
RNA-GPT: Multimodal Generative System for RNA Sequence Understanding
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Georgia Institute of Technology（佐治亚理工学院）
RNA-GPT是一个多模态RNA聊天模型，通过整合RNA序列编码器与大型语言模型，并利用自动化系统RNA-QA生成的407,616个样本进行训练，有效解决了复杂的RNA查询，促进了RNA研究。
2024-10-29 cs.AI cs.CE cs.LG
Review of Single-cell RNA-seq Data Clustering for Cell Type Identification and Characterization
City University of Hong Kong（香港城市大学）
近年来，单细胞RNA测序技术的发展使我们能够以高通量的方式在单细胞分辨率下进行大规模的转录组学分析。无监督学习如数据聚类已经成为识别和表征新细胞类型和基因表达模式的核心组成部分。在这项研究中，我们回顾了现有的单细胞RNA测序数据聚类方法的相关优势和局限性的关键见解。此外，我们还回顾了上游单细胞RNA测序数据处理技术，如质量控制，归一化和降维。我们在两个单细胞转录组数据集上进行性能比较实验，以评估几种流行的单细胞RNA测序聚类方法。
2020-01-03 cs.LG q-bio.GN q-bio.QM
Near-optimal RNA-Seq quantification
我们提出了一种新的方法，RNA测序定量，是接近最佳的速度和准确性。实现这种方法的软件称为kallisto，可以在标准笔记本电脑上在不到5分钟的时间内分析3000万个未对齐的配对末端RNA测序读数，同时提供与现有最佳工具一样准确的结果。这消除了RNA测序分析中的主要计算瓶颈。
2015-05-15 cs.CE cs.DS q-bio.GN
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
Computational methods for differentially expressed gene analysis from RNA-Seq: an overview
从RNA测序数据中分析差异基因表达已成为生物信息学研究领域的标准。这些数据的计算分析步骤包括许多数据类型和文件格式，以及各种各样的计算工具，可以单独应用或作为管道一起应用。本文介绍了差异表达分析流水线，解决其步骤和各自的目标，在每个步骤中可用的主要方法和它们的属性，在这种情况下，在一个有组织的方式进行概述。特别是，这篇评论的目的是解决主要涉及的方面差异表达基因（DEG）的分析从RNA测序数据（RNA测序），考虑到计算方法和它的属性。此外，一个时间轴的计算方法的发展，为DEG提出和讨论，以及存在的主要计算工具之间的相互作用网络的关系。在DEG分析的挑战和差距的讨论也强调了这一审查。
2021-09-08 cs.CE q-bio.GN
Detecting Differential Expression from RNA-seq Data with Expression Measurement Uncertainty
高通量RNA测序（RNA测序）已经成为一种革命性的和强大的表达谱分析技术。大多数提出的用于检测来自RNA测序的差异表达（DE）基因的方法是基于比较条件之间的标准化读段计数的统计学。然而，目前将测量不确定度引入DE检测的方法还不多见。此外，大多数方法只能检测DE基因，很少有方法可用于检测DE亚型。在本文中，贝叶斯框架（BDSeq）提出了检测DE基因和异构体与表达测量不确定性的考虑。这种表达测量不确定度提供了有用的信息，可以帮助提高DE检测的性能。使用三个真实的RAN-seq数据集来评估BDSeq的性能，结果表明，包含表达测量不确定性提高了DE基因和亚型检测的准确性。最后，我们开发了GamSeq-BDSeq RNA测序分析管道以方便用户，该管道可在网站http://parnec.nuaa.edu.cn/liux/GSBD/GamSeq-BDSeq.html上免费获得。
2014-11-15 cs.CE q-bio.GN q-bio.QM
Massively Parallel RNA Chemical Mapping with a Reduced Bias MAP-seq Protocol
化学作图方法通过揭示和利用核苷酸的结构可及性或灵活性与其对各种化学探针的反应性的相关性来探测RNA结构。Lucks及其同事的开创性工作将这种方法扩展到在Illumina测序平台上同时探测数百个分子，避免了一次对一个分子使用平板凝胶或毛细管电泳。在这里，我们描述了我们实验室对这种方法的优化，产生了MAP-seq协议（通过测序读取的多路可访问性探测），版本1.0。该协议允许使用桌面Illumina机器在一天的时间尺度上通过几种化学修饰试剂同时定量探测数千种RNA。该方法和软件包MAPseeker（http：//simtk.org/home/map_seeker）通过消除PCR步骤、提高ssDNA衔接子的连接效率和避免现有算法中有问题的重复性来解决偏差的几个潜在来源。我们希望MAP-seq 1.0的逐步描述将帮助其他RNA作图实验室从电泳过渡到下一代测序方法，并进一步减少周转时间和任何剩余的方案偏差。
2013-04-03 q-bio.BM q-bio.GN
Artificial Intelligence Models for Cell Type and Subtype Identification Based on Single-Cell RNA Sequencing Data in Vision Science
单细胞RNA测序（scRNA-seq）为许多研究领域的科学家提供了高通量、定量和无偏倚的框架，以鉴定和表征来自各种组织的异质细胞群中的细胞类型。然而，基于scRNA-seq的离散细胞类型的鉴定仍然是劳动密集型的，并且依赖于先前的分子知识。人工智能为细胞类型识别提供了更快，更准确和用户友好的方法。本文综述了基于单细胞和单核RNA测序数据的人工智能细胞类型识别方法的研究进展。
2022-09-26 eess.IV q-bio.BM q-bio.GN
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
Structure learning for zero-inflated counts, with an application to single-cell RNA sequencing data
在高通量基因组数据的背景下，特别是在单细胞RNA测序中，从观察到的数据估计图的结构的问题越来越受到关注。然而，这些都是具有挑战性的应用，因为数据由具有高方差和过多零的高维计数组成。在这里，我们提出了一个基于零膨胀负二项分布的从单细胞RNA-seq数据学习图结构的一般框架。我们用模拟证明了我们的方法能够在各种设置中检索图的结构，并且我们展示了该方法在真实数据上的实用性。
2023-02-14 q-bio.GN stat.AP stat.ME
Reply to "Issues arising from benchmarking single-cell RNA sequencing imputation methods"
在我们的简讯（DOI：10.1038/s41592-018-0033-z）中，我们提出了在嘈杂的单细胞RNA测序数据中恢复真实基因表达水平的方法SAVER。我们在RNA FISH验证实验和数据下采样实验中评估了SAVER以及类似方法MAGIC和scImpute的性能。在评论[arXiv：1908.07084v1]中，Li & Li关注下采样数据集的使用，特别关注从Zeisel等人获得的聚类结果。在这里，我们将解决这些意见，并进一步修改数据下采样实验，以证明我们的简讯中数据下采样实验的结果是有效的。
2019-09-05 q-bio.GN q-bio.QM stat.AP
PLIT: An alignment-free computational tool for identification of long non-coding RNAs in plant transcriptomic datasets
Coventry University（考文垂大学）
长链非编码RNA（longnon-codingRNA，lncRNA）是一类在多种生物学过程中发挥重要作用的非编码RNA。基于RNA-seq的转录组测序已广泛用于lncRNA的鉴定。然而，在RNA-seq数据集中准确识别lncRNA对于探索其在基因组中的特征功能至关重要，因为大多数编码潜能计算（CPC）工具无法在转录组数据中准确识别它们。众所周知的CPC工具，如CPC 2，lncScore，CPAT，主要设计用于基于GENCODE，NONCODE和CANTATAdb数据库预测lncRNA。在转录组数据集上测试时，这些工具的预测准确性往往会下降。这会导致函数注释过程中出现更高的假阳性结果和不准确性。在这项研究中，我们提出了一种新的工具，PLIT，用于识别植物RNA-seq数据集中的lncRNA。PLIT实现了一种基于L1正则化和迭代随机森林（iRF）分类的特征选择方法，用于选择最佳特征。基于序列和密码子偏好特征，其将RNA-seq衍生的FASTA序列分为编码或长非编码转录物。使用L1正则化，获得了31个最佳特征的基础上lncRNA和蛋白质编码转录本从8种植物。使用10倍交叉验证在7个植物RNA-seq数据集上评估该工具的性能。该分析显示出优越的准确性时，对目前可用的国家的最先进的CPC工具进行评估。
2019-02-12 cs.LG q-bio.GN stat.ML
Optirank: classification for RNA-Seq data with optimal ranking reference genes
Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Swiss Data Science Center（瑞士数据科学中心）；ETH Zürich（苏黎世联邦理工学院）
使用RNA测序（RNA测序）数据作为输入的分类算法用于各种生物学应用中。从本质上讲，RNA测序数据在数据集内，特别是在数据集之间都会受到不受控制的波动，这给经过训练的分类器推广到外部数据集带来了很大的困难。用观察内的基因计数的秩替换原始基因计数已被证明有效地缓解了该问题。然而，根据定义，特征的排名是相对于所有其他特征的，包括在排名中引入噪声的高度可变的特征。为了解决这个问题，并获得更强大的排名，我们提出了一个逻辑回归模型，optirank，同时学习模型的参数和基因作为参考集的排名。我们证明了这种方法的有效性模拟数据。我们还考虑了真正的分类任务，它呈现了不同种类的分布之间的转变训练和测试数据。这些任务涉及各种应用，例如未知主要分类的癌症、特定基因签名的鉴定以及单细胞RNA测序数据集中细胞类型的确定。在这些实际任务中，optirank的表现至少与经典秩上的香草逻辑回归一样好，同时产生更稀疏的解决方案。此外，为了提高对数据集变化的鲁棒性，我们提出了一个多源学习方案，并证明了其有效性时，结合使用基于排名的分类器。
2023-01-11 cs.LG q-bio.GN
Discovering Interpretable Biological Concepts in Single-cell RNA-seq Foundation Models
Scienta Lab
单细胞RNA测序基础模型在下游任务上实现了强大的性能，但仍然是黑匣子，限制了它们在生物发现中的实用性。最近的研究表明，稀疏字典学习可以从深度学习模型中提取概念，在生物医学成像和蛋白质模型中有很好的应用前景。然而，解释生物学概念仍然具有挑战性，因为生物序列本质上不是人类可以解释的。我们介绍了一种新的基于概念的可解释性框架的单细胞RNA测序模型，重点是概念的解释和评估。我们提出了一种归因方法与反事实扰动，确定影响概念激活的基因，超越相关的方法，如差异表达分析。然后，我们提供了两种互补的解释方法：一个专家驱动的分析促进了交互式界面和本体驱动的方法与基于属性的生物途径富集。将我们的框架应用于文献中的两个众所周知的单细胞RNA测序模型，我们解释了在两个免疫细胞数据集上训练的Top-K稀疏自动编码器提取的概念。与免疫学领域的专家，我们表明，概念提高了可解释性相比，单个神经元，同时保留了丰富性和信息的潜在表示。这项工作提供了一个原则性的框架，用于解释生物知识基础模型编码了什么，为它们用于假设生成和发现铺平了道路。
2025-10-29 cs.LG q-bio.GN
Uncertainty-aware t-distributed Stochastic Neighbor Embedding for Single-cell RNA-seq Data
Central South University（中南大学）；School of Mathematics and Statistics（数学与统计学院）
本文提出不确定性感知t-SNE（Ut-SNE），通过为每个样本建立概率表示，将单细胞RNA-seq数据中的转录组变异噪声纳入可视化，从而避免误导性展示，并可推广至其他高维数据分析领域。
2024-10-01 cs.LG q-bio.GN
Online t-SNE for single-cell RNA-seq
针对传统t-SNE无法处理动态到达的单细胞RNA测序数据的问题，提出在线t-SNE方法，通过复用旧样本嵌入、探索新样本嵌入并实时对齐两者，无需从头重训即可实现新结构发现与高质量可视化。
2024-06-21 cs.HC q-bio.GN
Identifying differentially expressed transcripts from RNA-seq data with biological variation
动机：高通量测序使得能够在单个转录物的水平上进行表达分析。转录组表达水平和差异表达估计的分析需要概率方法来适当地解释由共享外显子和有限读段采样以及转录表达的内在生物学方差引起的模糊性。结果如下：我们提出了BitSeq（贝叶斯推断of Transcripts from Sequencing data），这是一种用于估计来自RNA测序实验的转录本表达水平的贝叶斯方法。推断的相对表达由来自读取数据的生成模型的后验概率分布的马尔可夫链蒙特卡罗（MCMC）样本表示。我们提出了一种新的方法，差异表达分析重复传播的不确定性，从样品水平的模型，同时使用表达水平依赖的先验建模生物方差。我们使用模拟数据以及RNA测序数据集与技术和生物复制的两个研究条件下，我们的方法证明了我们的优势。可用性：转录组表达估计和差异表达分析BitSeq的实现已用C++编写。
2012-03-05 q-bio.GN stat.AP
On de novo Bridging Paired-end RNA-seq Data
本研究针对无参考基因组的双端RNA-seq数据从头拼接问题，设计了截断Dijkstra算法及基于最短路径树复用的加速算法，实现了大规模cdBG下的高效精准拼接，开发了开源工具，助力下游转录组分析。
2023-03-27 cs.DS q-bio.GN
Identifying and removing the cell-cycle effect from single-cell RNA-Sequencing data
单细胞RNA测序（scRNA-Seq）是发现和描述异质组织中细胞类型的革命性技术，但其表达的测量经常遭受大的系统偏差。这种偏倚的一个主要来源是细胞周期，它引入了大量的细胞类型内异质性，这可能会掩盖细胞类型之间的表达差异。目前用于去除细胞周期效应的方法无法有效地识别这种效应，并且具有去除其他感兴趣的生物组分的高风险，从而损害下游分析。我们提出了ccRemover，这是一种可靠地识别细胞周期效应并将其去除的新方法。ccRemover保留了数据中其他感兴趣的生物信号，因此可以作为许多scRNA-Seq数据分析的重要预处理步骤。使用模拟数据和三个真实的scRNA-Seq数据集证明了ccRemover的有效性，其中它提高了现有聚类算法在区分细胞类型方面的性能。
2016-05-15 q-bio.GN q-bio.QM
