А.М. Пятницкий, В.М. Гукасов , М.А.Пятницкий

АНАЛИЗ ДАННЫХ ПО МЕТИЛИРОВАНИЮ ДНК — ВЫБОР МОДЕЛИ ШУМА И РАСЧЕТ СВЕРХДИСПЕРСИИ

Резюме: В статье анализируется шум, возникающий в высокотехнологичных методах, используемых при анализе данных по метилированию ДНК (WGBS) и экспрессии генов (RNA-seq). Рассматривается теоретическая модель, объясняющая возникновение явления сверхдисперсии, играющего ключевую роль при разработке статистических методов анализа этих данных. Найдена зависимость величины сверхдисперсии от двух безразмерных констант – коэффициента амплификации ПЦР и доли библиотеки фрагментов, используемой для секвенирования. Показано что для WGBS данных характерна линейная зависимость дисперсии числа чтений от среднего с коэффициентом пропорциональности большим единицы. Для вычисления p-значений предложен учитывающий сверхдисперсию тест однородности, обобщающий точный тест Фишера, и метод построения доверительных интервалов для концентраций метилированных и неметилированных локусов. Предложен способ оценки величины асимметрии в распределении числа чтений по зависимости квадрата коэффициента вариации дисперсии от среднего. Это позволяет найти адаптивное нормализующее преобразование для данных с большой асимметрией (RNA-seq). При этом целью является не стабилизация дисперсии, а устранение асимметрии для возможности проведения теста однородности в рамках нормальной аппроксимации.

Ключевые слова: WGBS, RNA-seq, расчет сверхдисперсии, адаптивный тест однородности, обобщенный точный тест Фишера с учетом сверхдисперсии, выбор статистичеcкого критерия на основе флуктуаций в числе чтений, нормализующие преобразования, квадрат коэффициента вариации дисперсии, асимметрия распределения числа чтений.

A.M. Pyatnitskiy, V.M. Gukasov , M.A. Pyatnitskiy

DNA METHYLATION DATA ANALYSIS: NOISE MODEL SELECTION AND CALCULATION OF OVERDISPERSION

Summary: This article analyzes the noise generated by high throughput methods used in the analysis of DNA methylation (WGBS) and gene expression (RNA-seq) data. A theoretical model is considered that explains the emergence of the phenomenon of overdispersion, which plays a key role in the development of statistical methods for analyzing these data. The dependence of the overdispersion value on two dimensionless constants was found: the PCR amplification coefficient and the proportion of the fragment library used for sequencing. It is shown that WGBS data is characterized by a linear dependence of the dispersion of the number of reads on the mean with a proportionality coefficient greater than one. To calculate p-values, a homogeneity test that takes into account overdispersion, generalizing Fisher’s exact test, and a method for constructing confidence intervals for the concentrations of methylated and unmethylated loci are proposed. A method for estimating the magnitude of asymmetry in the read count distribution based on the squared coefficient of variation of the variance versus the mean is proposed. This allows for the development of an adaptive normalization transformation for highly skewed data (RNA-seq). The goal is not to stabilize the variance, but to eliminate the asymmetry to enable a homogeneity test within the normal approximation.

Keywords: WGBS, RNA-seq, theory of overdispersion, adaptive homogeneity test, generalized Fisher’s exact test taking into account overdispersion, choice of statistical criterion based on fluctuations in the number of reads, normalizing transformations, squared coefficient of variation of variance, asymmetry of the distribution of the number of reads.

DOI: 10.34219/2306-3645-2026-15-2-7-18