OMICSデータでバッチ効果が重要な理由とそれらを回避する方法

新しいハイスループットデータ、特に遺伝子発現とプロテオームプロファイリングデータの効果的な統合と分析は、新しい臨床洞察と治療オプションを提供することが期待されています。残念ながら、技術的な不均一性またはバッチ効果（異なる実験時間、ハンドラー、試薬ロットなど）が挑戦的であることが証明されています。バッチ効果補正アルゴリズム（BECAS）は存在しますが、効果的なバッチ効果緩和についてはほとんど知りません。今でも、新しいバッチ効果関連の問題が現れています。これらには、モデル評価中のBECASの誤用と肯定的なバイアスによる誤った効果が含まれます。アルゴリズムと実験的セットアップの選択に応じて、生物学的不均一性はバッチ効果と間違え、誤って削除される可能性があります。ここでは、これらの新たなバッチ効果関連の問題を調べ、一連のベストプラクティスを提案し、今後の課題のいくつかについて議論します。

Effective integration and analysis of new high-throughput data, especially gene-expression and proteomic-profiling data, are expected to deliver novel clinical insights and therapeutic options. Unfortunately, technical heterogeneity or batch effects (different experiment times, handlers, reagent lots, etc.) have proven challenging. Although batch effect-correction algorithms (BECAs) exist, we know little about effective batch-effect mitigation: even now, new batch effect-associated problems are emerging. These include false effects due to misapplying BECAs and positive bias during model evaluations. Depending on the choice of algorithm and experimental set-up, biological heterogeneity can be mistaken for batch effects and wrongfully removed. Here, we examine these emerging batch effect-associated problems, propose a series of best practices, and discuss some of the challenges that lie ahead.