Воркшоп по биоинформатике

[progenes]

Я предполагаю, что меня читают биологи и информатики. Поскольку я сейчас столкнулась с феерическими расчетами, от которых у меня волосы на загривке вздыбились, считаю, что будет неплохо, если я расскажу причастным где впредь быть предельно внимательным. Я, к сожалению, не могу дотянуться до того парня, который это посчитал, чтобы надавать ленейкой по рукам. Но должна сказать, что это сервис, претендующий на серьезный.

Больше чем месяц назад я получила результаты и, помнится, даже всхипнула от ужаса. Дело было вот как.

Перед биологом стоит задача - сравнить экспрессию генов в нескольких тканях. Для этого надо выделить РНК и каким-то из методов определить, с каких генов эта РНК считалась и в каком количестве. Методов есть несколько. От нозерна до микрочипов. Самый модный - это секвенирование 454. О нем и пойдет речь.

Я не буду вдаваться в подробности, что за ткани я анализирую, скажу только, что этой ткани столько, что невооруженным глазом не видно, нарубили лазером под микроскопом. Выделили РНК в количествах на пределе воображения и отправили на прочитку (секвенирование). Это приблизительно так, как сейчас читают геномы, только не ДНК, а РНК. Причем прочитка - это полноценный сервис, который включает все. На выходе, как я уже упоминала 300 гигов информации: сырые сиквенсы, сбивка в контиги, скаффолды и унигены, бласты, функциональная аннотация по геномной антологии, метаболитических путях, визуализация, статистическая обработка и дифференциальный анализ. Все растыкано по 2000 тыщам файлов. Задача биолога теперь все ОСМЫСЛИТЬ и интерпретировать и сделать выводы, как же отличается работа генов в разных тканях и почему.

Я сузила сначала задачу и из вороха файлов нашла исходник в экселе: сравнение генной экспрессии в двух (из 48ми) тканях. Теперь внимание и пристегнитесь. Результаты сравнения представлены в виде log2 значения соотношения экспрессии генов в ткани 1 vs. 2. Просто настолько, что можно понять и идиоту, верно? Значения колеблются от -15 до плюс 15 (это уже log2). Огого, сечете разницу в экспрессии? Всех генов несколько десятков тыщ.

В этом месте меня подвело банальное любопытство. Что ж это за ген такой, у которого разница в работе в двух близлежащих тканях 2¹⁴? Роюсь в ворохе файлов и нахожу сырые результаты. И тут, друзья, у меня глаза на переносице и сбежались. Потому что я знаю, что это за сырые значения. А это всего навсего количественный подчет ШТУК КУСКОВ РНК, которые принадлежат одному гену. Держитесь теперь крепче, пример из жизни.

Ген Х. Логарифмированное значение соотношения экспрессии в тканях 1 vs. 2 равно 14,72. Сырые данные в студию. В ткани Nr.1 насчитали 0 (ноль) кусков, в ткани Nr.2 насчитали 27 кусков. Формула расчета log2(27:0). Что, съели касатики?!!! Говорите на ноль нельзя делить? Ну нельзя так нельзя (хотя в результатах стоит ноль). Я прикинула, как могли бы рассуждать те, кто уныло смотрит на ноль. Ноль надо заменить на число, отличное от нуля. Я начала тупо подставлять и проверять логарифмом, как у них 14,72 получилось. Оказалось, что 0 приравняли до 0,001. log2(27:0,001)=14,72

Если вы еще не ржете, посчитайте, какое значение log2 будет, если в ткани Nr.1 насчитали 0 (ноль) кусков, в ткани Nr.2 насчитали 2 (два) куска. То есть вы догадываетесь, куда можно засунуть эти 300 гигов и ограничиться одной таблицей в экселе, да?

Проблема в том, что редкий биолог интересуется сырыми данными, если сервис поставил уже готовое соотношение в красочных схемах и диаграммах. И редкий информатик интересуется особенностями того, что ему поручено посчитать. Для него это голые абстрактные числа, а для меня это штуки кусков РНК. Особенно печально, если биолог мало знает о проблемах и недостатках того метода, которым хочет что-то проверить. После таких ляпов у меня возникли подозрения к алгоритмам сбивки в контиги (которые я встречала в других случаях), к проблемам аннотации (с которой долбилась годами). Эта же проблема также касается и анализов всяких там аффиметриксов и прочих биочипов.

Вырасту большой и научусь программированию сама.

Comments

[psilogic.livejournal.com]

Просто надо такие программы писать в совместной работе, диалоге с генетиком. Программистское образование включает в себя много естественнонаучных дисциплин, так что некоторые программисты еще не забыли институт и вполне смогут понять эту часть генетики (но только часть) - от генетика потребуется объяснить именно нужную часть генетики, вычленив ее от всего остального.

[progenes.livejournal.com]

Через мои руки прошло уже столько информатиков, что у меня есть ощущение, что проще самой научиться программированию, чем в тысячный раз объяснять программисту, что я от него хочу. Язык болит, чесное слово. Все одни и те же грабли. В этот раз была надежда, что сервис прошел стадию диалогов с генетиками. Ан нет, надо все еще перепроверять.

[oude-rus.livejournal.com]

простите, а вы представляете, сколько это стОит -- писать подобные программы?

[stoshagownozad.livejournal.com]

мало что я поняла из математики процесса, но зато понятно, что иногда ученые, бывает, такими данными оперируют (если не сами их посчитали), что только ой. и оёёёёй.

"Вот так и рождаются нездоровые сенсации", как сказал персонаж братьев Стругацких, выгоняя на мороз наколдованного гигантского комара...

[progenes.livejournal.com]

Математика простая. В одной клетке сидит 27 кроликов. Другая клетка пустая. Вопрос - во сколько раз в одной клетке больше кроликов, чем в другой. Ответ: в 27 тыщ раз.

[infist-xxi.livejournal.com]

а что, это отменят принцип что на ноль делить нельзя? :)

[stoshagownozad.livejournal.com]

всрацця й закопацця, как моя мама говорит:)))
сочувствую, на самом деле. этоже натуральная засада, такие считатели.

[vigna.livejournal.com]

А как анализировали, это ваши программисты какие-то свои собственные программы писали или что-то готовое, типа той же CLC genomics?

[psilogic.livejournal.com]

Как могут быть одни и те же грабли - вы что, готовую программу не проверяете?

[progenes.livejournal.com]

Нет, это не наши программисты. Это готовое.

[tapka.livejournal.com]

А вот расскажите мне, как почти информатику, какое бы вы хотели видеть число в этой ситуации в той эксельной таблице? inf? Вообще наверное помимо logFC нужно там добавлять какое-нибудь p-value. Типа 20 кусков и 10 это хорошая разница, а 2 и 0 ничо не значит. Ну и порог какой-нибудь сколько должно быть кусков вообще, чтоб мы сказали, что ген активно экспрессируется.

[psilogic.livejournal.com]

нисколько
пишущий не платит

[vigna.livejournal.com]

А как называется готовое, если не секрет? Что знать на будущее, за кем проверять особо внимательно? :) (хотя скорее всего, конечно, за ними за всеми надо проверять).

[jamhed.livejournal.com]

а во сколько раз больше-то?

[progenes.livejournal.com]

Вас хочется сейчас обнять и плакать. Академический подход - это когда программист такой же докторант, как и биолог. Ему надо защититься. Он хватает меня за горло и просит дать что-то посчитать. Я ему объясняю долго и нудно. Пишет программу. Защищается и уходит. Кроме него этой программой никто пользоваться не умеет, потому что она такая, кхм-кхм, некоммерческая. Это значит не юзерфрендли, не тестированная на идиотах и вообще обслуживается с консоли. Приходит новый докторант... Потом меняется завотделом биоинформатиков. Потом отдел переформатируют и перепрофилируют в обработку изображений. Им не до экспресионного анализа.

Сервисный подход на фирмах - они там как бы стараются все отладить, настроить пайплайн и учесть замечания и пожелания. Но думаю, что у них там тоже есть свои особенности.

[stoshagownozad.livejournal.com]

а там нельзя "во". там надо "на".

[jamhed.livejournal.com]

вопрос-то как задан? во сколько раз в одной клетке больше кроликов, чем в другой.

[mopexod.livejournal.com]

Ну, это общая проблема, не только у биологов. Очень мало кто умеет правильно разобраться в физической сущности измерений. Да что там разобраться, даже правильно померять мало кто может!

[progenes.livejournal.com]

p-value есть. в этом примере он равен 5,84E-07 (что мало мне говорит) Его считали по формуле , где N1 - total clean tag number of sample 1 и N2 total clean tag number of sample 2.

А вот где проходит трешхолд абсолютных значений, p-value и чувствительности метода - я сказать не могу, пробую сама разобраться. Наверное, это можно сказать только глядя весь массив данных и зная особенности технических ошибок.

[malck.livejournal.com]

Нуачо, с точки зрения вычислений это очень даже нормально. Скажите "спасибо", что 0,001 (= 1E-3), а не 1E-10, например. :) А то результаты были б еще фееричнее. :)

[psilogic.livejournal.com]

ну а чего вы хотите: качество без контроля качества? так не бывает

если бы дело было в России, я бы предложил просить не докторантов, а студентов, которым вам потом сдавать экзамен - в качестве замены экзамену, ЕСЛИ вас удовлетворит работа программы

[slotos.livejournal.com]

Программа, не способная выдать адекватный ответ при делении на ноль, когда такие проблемы входят в множество поставленых задач, не стоит ничего. А внедрение такой программы - это уже саботаж, который должен стоить написавшему вылета с рынка.

Я ничего не пропустил?

[malck.livejournal.com]

Лучше проверять за всеми. А в идеале, как программист вам скажу, нужно специально обученного человека, который будет сечь в обоих сферах (биологии и информатике) и будет правильно ставить погроммистам задачу.

[progenes.livejournal.com]

За всеми надо проверять.

[igor-karaeff.livejournal.com]

> Сервисный подход на фирмах - они там как бы стараются все отладить, настроить пайплайн и учесть замечания и пожелания.

Ух, какие у вас фантазии романтические!