遺伝子発現データにおける任意の定義されたグループのシルエットスコアと微分発現結果への洞察

背景：階層サンプルクラスタリング（HSC）は、マイクロアレイとRNAシーケンス（RNA-Seq）から得られた発現データ内の関連性を調べるために広く実行されています。研究者は、グループ化のためのいくつかの考えられる基準（性別、年齢、疾患の種類など）でHSCの結果を調査しています。ただし、任意の定義されたグループの評価は、主観的な目視検査で依然としてカウントされます。 結果：HSC樹状図の関心グループ間の分離度を客観的に評価するために、シルエットスコアを使用することを提案します。Silhouettesはもともと、データクラスターの検証のためのグラフィカルな援助として開発されました。クラスターの緊張とそれらの間の分離の両方に従って、クラスターに割り当てられたときにサンプルがどの程度分類されるかの尺度を提供します。1.0〜 -1.0の範囲であり、分析するすべてのサンプルで平均シルエット（AS）の値が大きいことは、クラスターの分離が高くなることを示しています。スコアを計算するときに、クラスターという用語をグループごとに置き換えるためにAsを使用するという基本的なアイデア。微分式（DE）分析用に設計されたシミュレーションおよび実際のデータを使用して、このスコアの妥当性を調査しました。値としての大きい（または小さい）は、異なるグループ間のより高い（または低い）程度の分離と、差次的に発現した遺伝子（PDEG）のより高い割合の両方でよく一致することがわかりました。また、AS値は一般に複製の数（NREP）で独立していることがわかりました。PDEG値はNREPに依存していましたが、データ内のサンプルがHSC樹状図のグループ間に混ざり合った性質を示した場合、ASとPDEG値の両方がゼロに近いことを確認しました。 結論：シルエットは、事前定義されたグループラベルを使用してデータを探索するのに役立ちます。これは、HSC樹状図の客観的評価と、比較グループに関するDEの結果に関する洞察の両方を提供するのに役立ちます。

BACKGROUND: Hierarchical Sample clustering (HSC) is widely performed to examine associations within expression data obtained from microarrays and RNA sequencing (RNA-seq). Researchers have investigated the HSC results with several possible criteria for grouping (e.g., sex, age, and disease types). However, the evaluation of arbitrary defined groups still counts in subjective visual inspection. RESULTS: To objectively evaluate the degree of separation between groups of interest in the HSC dendrogram, we propose to use Silhouette scores. Silhouettes was originally developed as a graphical aid for the validation of data clusters. It provides a measure of how well a sample is classified when it was assigned to a cluster by according to both the tightness of the clusters and the separation between them. It ranges from 1.0 to - 1.0, and a larger value for the average silhouette (AS) over all samples to be analyzed indicates a higher degree of cluster separation. The basic idea to use an AS is to replace the term cluster by group when calculating the scores. We investigated the validity of this score using simulated and real data designed for differential expression (DE) analysis. We found that larger (or smaller) AS values agreed well with both higher (or lower) degrees of separation between different groups and higher percentages of differentially expressed genes (PDEG). We also found that the AS values were generally independent on the number of replicates (Nrep). Although the PDEG values depended on Nrep, we confirmed that both AS and PDEG values were close to zero when samples in the data showed an intermingled nature between the groups in the HSC dendrogram. CONCLUSION: Silhouettes is useful for exploring data with predefined group labels. It would help provide both an objective evaluation of HSC dendrograms and insights into the DE results with regard to the compared groups.