GLORB：全局表达变化下的稳健贝叶斯差异表达推断

估计差异基因表达是 RNA-seq 中的一项常见任务。当前的方法主要依赖归一化来降低方差并提高准确性。这些方法应用广泛，为了解不同生物学条件之间的转录组变化提供了极其宝贵的信息。然而，众所周知，当大多数基因上调或下调，或每个细胞中的总 RNA 含量发生变化时，广泛使用的归一化方法会扭曲转录本差异表达的估计结果。尽管在许多情境下都存在全局表达偏移，但在没有加标对照的情况下，能够在此类背景下实现准确归一化并估计线性模型的方法仍然很少。在此，我们提出 **GLORB**（**G**lobal-shift **R**obust **B**ayesian model，全局偏移稳健贝叶斯模型），一种用于在全局上调条件下估计广义线性模型的方法。我们构建了两种模型，能够以更低的结果失真识别差异表达基因并估计线性模型系数。我们表明，在少数基因上调的条件下，我们模型对文库大小变异的处理方法与 DESeq2 的比值中位数方法以及 edgeR 的 M 值截尾均值方法一致；而在组间大多数基因上调或下调的情况下，其性能优于上述方法。最后，由于我们的方法不依赖于为每个基因计算几何均值，因此能够应用于稀疏性高得多的数据集。

在 RNA-seq 分析中，差异基因表达的估计是一项常见任务。当前的方法主要依赖标准化来降低方差并提高准确性。这些方法应用广泛，为了解不同生物学条件之间的转录组变化提供了宝贵信息。然而，众所周知，当大多数基因发生上调或下调，或每个细胞中的总 RNA 含量发生变化时，广泛使用的标准化方法会扭曲转录本差异表达的估计。尽管在许多情境下都存在全局表达变化，但目前很少有方法能够在不依赖 spike-in 对照的情况下，于此类情境中实现准确的标准化并估计线性模型。在此，我们提出 GLORB（全局变化稳健贝叶斯模型，Global-shift Robust Bayesian model），一种用于在全局上调条件下估计广义线性模型的方法。我们构建了两种模型，能够以更低的结果失真识别差异表达基因并估计线性模型系数。我们表明，在少数基因上调的条件下，我们模型对文库大小变异的处理方法与 DESeq2 的比值中位数法以及 edgeR 的 M 值截尾均值法具有一致性；而在组间大多数基因发生上调或下调的情况下，该方法的性能优于上述方法。最后，由于我们的方法不依赖于为每个基因计算几何均值，因此能够应用于稀疏性高得多的数据集。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.28.747928v1?rss=1

🏷️ RNA-seq 差异表达分析 全局表达偏移 贝叶斯模型 数据归一化