Алгоритм выбора референсных микроРНК при классификации биологических процессов

Ц е л и. Целью исследования является разработка алгоритма выбора референсных микроРНК с учетом их взаимосвязи с тем, чтобы классифицировать группы образцов при изучении различных биологических процессов.

М е т о д ы. Использовались методы линейной алгебры, анализа главных компонент, статистических моделей бинарной регрессии, оценки производительности моделей.

Р е з у л ь т а т ы. Разработан новый алгоритм MDSeek, который предлагает выбор референсных микроРНК для нормализации данных количественной полимеразной цепной реакции с целью последующего использования нормализованных данных для задач классификации. Оценка результатов работы алгоритма для задачи классификации свидетельствует о его более высокой эффективности по сравнению с известными подходами к нормализации результатов полимеразной цепной реакции.

З а к л ю ч е н и е. В настоящей работе предложен оригинальный алгоритм MDSeek, предназначенный для выбора референсных микроРНК с целью нормализации результатов полимеразной цепной реакции и позволяющий изучать изменения экспрессии микроРНК при сравнении различных биологических процессов. После применения MDSeek на опытном наборе образцов нормализованные данные использовались для задач классификации, метрики производительности были лучше по сравнению с другими алгоритмами.

1. Vandesompele J., De Preter K., Pattyn F., Poppe B., Van Roy N., …, Speleman F. Accurate normalization of real-time quantitative RT-PCR data by geometric averaging of multiple internal control genes. Genome Biology, 2002, vol. 3, рр. 1–12.

2. Karlen Y., McNair A., Perseguers S., Mazza C., Mermod N. Statistical significance of quantitative PCR. BMC Bioinformatics, 2007, vol. 8, рр. 1–16.

3. Maltseva D. V., Khaustova N. A., Fedotov N. N., Matveeva E. O., Lebedev A. E., …, Tonevitsky A. G. High-throughput identification of reference genes for research and clinical RT-qPCR analysis of breast cancer samples. Journal of Clinical Bioinformatics, 2013, vol. 3, рр. 1–12.

4. Mar J. C., Kimura Y., Schroder K., Irvine K. M., Hayashizaki Y., …, Quackenbush J. Data-driven normalization strategies for high-throughput quantitative RT-PCR. BMC Bioinformatics, 2009, vol. 10, рр. 1–10.

5. Bustin S. A., V. Benes, J. A Garson, J. Hellemans, J. Huggett, …, Wittwer C. T. The MIQE guidelines: minimum information for publication of quantitative real-time PCR experiments. Clinical Chemistry, 2009, vol. 55, no. 4, рр. 611–622.

6. Jacob F., Guertler R., Naim S., Nixdorf S., Fedier A., …, Heinzelmann-Schwarz V. Careful selection of reference genes is required for reliable performance of RT-qPCR in human normal and cancer cell lines. PloS One, 2013, vol. 8, no. 3, р. e59180.

7. Pfaffl M. W., Tichopad A., Prgomet C., Neuvians T. P. Determination of stable housekeeping genes, differentially regulated target genes and sample integrity: BestKeeper – Excel-based tool using pair-wise correlations. Biotechnology Letters, 2004, vol. 26, рр. 509–515.

8. Andersen C. L., Jensen J. L., Ørntoft T. F. Normalization of real-time quantitative reverse transcription-PCR data: a model-based variance estimation approach to identify genes suited for normalization, applied to bladder and colon cancer data sets. Cancer Research, 2004, vol. 64, no. 15, рр. 5245–5250.

9. Grabia S., Smyczynska U., Pagacz K., Fendler W. NormiRazor: tool applying GPU-accelerated computing for determination of internal references in microRNA transcription studies. BMC Bioinformatics, 2020, vol. 21, рр. 1–16.

10. Marabita F., de Candia P., Torri A., Tegnér J., Abrignani S., Rossi R. L. Normalization of circulating microRNA expression data obtained by quantitative real-time RT-PCR. Briefings in Bioinformatics, 2016, vol. 17, no. 2, рр. 204–212.

11. Friedman R. C., Farh K. K., Burge C. B., Bartel D. P. Most mammalian mRNAs are conserved targets of microRNAs. Genome Research, 2009, vol. 19, no. 1, рр. 92–105. DOI: 10.1101/gr.082701.108.

12. Iorio M. V., Croce C. M. MicroRNA dysregulation in cancer: diagnostics, monitoring and therapeutics. A comprehensive review. EMBO Molecular Medicine, 2012, vol. 4, no. 3, рр. 143–159. DOI: 10.1002/emmm.201100209.

13. Boufraqech M., Klubo-Gwiezdzinska J., Kebebew E. MicroRNAs in the thyroid. Best Practice & Research Clinical Endocrinology & Metabolism, 2016, vol. 30, iss. 5, рр. 603–619. DOI: 10.1016/j.beem.2016.10.001.

14. Yoshida K., Yokoi A., Yamamoto Y., Kajiyama H. ChrXq27.3 miRNA cluster functions in cancer development. Journal of Experimental & Clinical Cancer Research, 2021, vol. 40, iss. 1, р. 112. DOI: 10.1186/s13046-021-01910-0.

15. Mahalanobis, P. C. On the generalized distance in statistics. Proceedings of National Institute Science in India, 1936, vol. 2, рр. 49–55.

16. De Maesschalck R., Jouan-Rimbaud D., Massart D. L. The mahalanobis distance. Chemometrics and Intelligent Laboratory Systems, 2000, vol. 50, no. 1, рр. 1–18.

17. Touloumis A. Nonparametric Stein-type shrinkage covariance matrix estimators in high-dimensional settings. Computational Statistics & Data Analysis, 2015, vol. 83, рр. 251–261.