11  Shrinkage in DESeq2

Nell’analisi RNA-seq, lo shrinkage è una tecnica statistica che migliora l’interpretabilità e l’accuratezza dei risultati, soprattutto per i geni con bassa espressione o alta varianza. DESeq2 offre metodi di shrinkage sofisticati per i log2 fold change, che aiutano a ottenere stime più robuste e affidabili.

11.1 Visualizzazione dei dati con plotMA()

Prima di applicare lo shrinkage, visualizziamo i risultati grezzi del test di Wald usando la funzione plotMA().

# Crea un MA-plot
plotMA(res)

Questo grafico mostra la relazione tra l’intensità media e il log2 fold change per ogni gene. I geni significativamente differenzialmente espressi sono colorati in blu.

11.2 Perché lo shrinkage è importante?

• Riduzione del rumore: Lo shrinkage riduce l’impatto del rumore nelle stime dei log2 fold change, soprattutto per i geni con bassa espressione o alta varianza.
• Migliore interpretabilità: Senza shrinkage, i geni con bassa espressione possono mostrare log2 fold change molto grandi ma poco affidabili. Lo shrinkage modera questi effetti, rendendo i risultati più interpretabili.
• Maggiore accuratezza: Lo shrinkage migliora l’accuratezza delle stime dei log2 fold change, riducendo il rischio di falsi positivi e falsi negativi.

11.3 Come funziona lo shrinkage in DESeq2?

DESeq2 utilizza un metodo di shrinkage bayesiano che “restringe” le stime dei log2 fold change verso valori più probabili, basandosi sulla distribuzione a priori dei log2 fold change e sulla dispersione stimata per ciascun gene. I geni con bassa espressione o alta varianza vengono “shrunk” maggiormente verso zero, mentre i geni con alta espressione e bassa varianza vengono “shrunk” meno.

11.4 Applicazione dello shrinkage

# Applica lo shrinkage con la funzione lfcShrink()
resultsNames(dds)
#> [1] "Intercept"                          
#> [2] "infection_NonInfected_vs_InfluenzaA"
resShrink <- lfcShrink(dds, coef = "infection_NonInfected_vs_InfluenzaA", type = "apeglm")
#> using 'apeglm' for LFC shrinkage. If used in published research, please cite:
#>     Zhu, A., Ibrahim, J.G., Love, M.I. (2018) Heavy-tailed prior distributions for
#>     sequence count data: removing the noise and preserving large differences.
#>     Bioinformatics. https://doi.org/10.1093/bioinformatics/bty895

In questo esempio, applichiamo lo shrinkage al coefficiente che rappresenta il confronto tra la condizione “trattato” e la condizione “controllo”. Il metodo “apeglm” è un metodo di shrinkage accurato e veloce.

11.5 Visualizzazione dei dati dopo lo shrinkage

# Crea un MA-plot dopo lo shrinkage
plotMA(resShrink)

Confrontando questo grafico con il precedente, si può osservare come lo shrinkage abbia moderato i log2 fold change, soprattutto per i geni con bassa espressione.