Analyse d'expression différentielle en RNA-seq

Sciences biomédicales · Master 1

RNA-seq: normalisation, modèle binomial négatif et contrôle du FDR des gènes différentiels.

Introduction

Le séquençage de l'ARN (RNA-seq) mesure l'abondance des transcrits dans un échantillon en comptant les fragments séquencés alignés sur chaque gène. Comparer deux conditions, par exemple tissu sain et tumoral ou cellules traitées et non traitées, demande une chaîne d'analyse rigoureuse allant du contrôle qualité des lectures à l'interprétation biologique d'une liste de gènes.

Les comptages sont des entiers dont la variance dépasse la moyenne (surdispersion), ce qui exclut un test t sur des valeurs brutes. Les outils de référence comme DESeq2 et edgeR utilisent un modèle de type binomial négatif, estiment la dispersion en partageant l'information entre gènes et corrigent les différences de profondeur de séquençage par normalisation.

Comme des dizaines de milliers de gènes sont testés simultanément, les p-values doivent être ajustées. Le contrôle du taux de fausses découvertes (FDR) est la règle. Un plan expérimental avec suffisamment de réplicats biologiques reste la condition première: aucune méthode ne compense l'absence de réplicats.

Objectifs d'apprentissage

Décrire les étapes d'un flux RNA-seq, du fichier FASTQ à la matrice de comptage
Expliquer pourquoi les comptages exigent une normalisation et un modèle binomial négatif
Interpréter log2 fold change, p-value et p-value ajustée dans un tableau DESeq2
Appliquer la notion de FDR pour corriger les tests multiples
Évaluer la qualité d'un plan expérimental (réplicats, effet de lot) avant l'analyse

Concepts clés

Chaîne d'analyse: Contrôle qualité des lectures, élimination éventuelle des adaptateurs, alignement sur le génome ou pseudo-alignement sur le transcriptome, quantification par gène, puis assemblage d'une matrice gènes x échantillons de comptages bruts.
Normalisation: La profondeur de séquençage et la composition de l'ARN varient d'un échantillon à l'autre. DESeq2 estime des facteurs de taille par la méthode des ratios médians, edgeR utilise TMM. TPM et FPKM servent à comparer des gènes au sein d'un échantillon, pas à tester.
Modèle binomial négatif: Il autorise une variance supérieure à la moyenne via un paramètre de dispersion. Avec peu de réplicats, la dispersion de chaque gène est stabilisée vers une tendance commune (shrinkage).
Tests multiples et FDR: Avec 20 000 gènes testés à 5%, des centaines de faux positifs sont attendus. La procédure de Benjamini-Hochberg contrôle la proportion attendue de fausses découvertes parmi les gènes déclarés significatifs.
Effet de lot et plan expérimental: Les différences techniques (date, opérateur, kit) peuvent masquer ou imiter un effet biologique. Elles se corrigent en les incluant dans le modèle, mais seulement si les conditions sont réparties entre les lots.

Conclusion

Une analyse d'expression différentielle fiable repose sur trois piliers: un plan expérimental avec réplicats et lots équilibrés, une normalisation et un modèle adaptés aux comptages, et un contrôle du FDR pour les tests multiples.

La liste de gènes obtenue est une hypothèse. Sa valeur translationnelle dépend de la validation par une méthode orthogonale et d'une interprétation fonctionnelle prudente.

Cartes

Pourquoi ne pas appliquer un test t sur des comptages bruts ?: Les comptages sont discrets, dépendent de la profondeur de séquençage et leur variance augmente avec la moyenne; il faut normaliser et utiliser un modèle adapté.
Quelle distribution modélise les comptages RNA-seq dans DESeq2 et edgeR ?: La binomiale négative, qui tolère une surdispersion par rapport à la loi de Poisson.
À quoi sert la normalisation par facteurs de taille ?: À rendre les comptages comparables entre échantillons malgré des profondeurs de séquençage différentes.
Pourquoi TPM n'est-il pas l'entrée de DESeq2 ?: DESeq2 modélise des comptages bruts entiers; les valeurs déjà normalisées faussent l'estimation de la variance.
Que signifie un log2 fold change de -2 ?: L'expression est divisée par 4 dans la condition testée par rapport à la référence.
Quelle différence entre p-value et p-value ajustée ?: La p-value porte sur un gène isolé; la valeur ajustée tient compte du nombre de tests et contrôle le FDR.
Que contrôle la procédure de Benjamini-Hochberg ?: Le FDR: la proportion attendue de faux positifs parmi les gènes déclarés significatifs.
Quelle est la différence entre FDR et risque de première espèce par test ?: Le seuil alpha par test limite la fausse alarme gène par gène; le FDR limite la proportion d'erreurs dans l'ensemble des découvertes.
Que montre un volcano plot ?: En abscisse le log2 fold change, en ordonnée -log10 de la p-value (ajustée): il met en évidence les gènes à la fois très modifiés et significatifs.
À quoi sert une ACP sur les échantillons avant le test ?: À détecter des échantillons aberrants et des effets de lot, et à vérifier que les réplicats se regroupent par condition.
Pourquoi les réplicats biologiques sont-ils indispensables ?: Ils estiment la variabilité biologique; sans eux, aucune inférence statistique fiable n'est possible, et des réplicats techniques ne les remplacent pas.
Que fait une analyse d'enrichissement fonctionnel ?: Elle teste si une liste de gènes est enrichie en termes d'annotation (Gene Ontology, voies KEGG), pour résumer l'effet biologique.

Glossaire

FASTQ: Format de fichier contenant les lectures de séquençage et un score de qualité par base.
Matrice de comptage: Tableau dont les lignes sont des gènes, les colonnes des échantillons, et les valeurs le nombre de lectures attribuées.
Surdispersion: Variance des comptages supérieure à leur moyenne, contraire à l'hypothèse de Poisson.
Facteur de taille: Coefficient multiplicatif qui ajuste les comptages d'un échantillon pour la profondeur de séquençage.
Log2 fold change: Logarithme en base 2 du rapport d'expression entre deux conditions.
FDR: Proportion attendue de faux positifs parmi les découvertes déclarées significatives.
Effet de lot: Variation systématique d'origine technique associée à un lot d'échantillons traités ensemble.
Enrichissement fonctionnel: Analyse statistique qui détecte la sur-représentation de catégories d'annotation dans une liste de gènes.