A análise de RNA de célula única (scRNA-seq) emergiu como uma técnica poderosa para investigar a heterogeneidade celular e desvendar insights biológicos mais profundos do que as análises tradicionais de RNA. Com o crescente volume de dados scRNA-seq provenientes de diversos indivíduos, a necessidade de métodos eficientes e estatisticamente robustos para análise de expressão diferencial (DE) se torna cada vez mais crítica, especialmente para levar em conta a variabilidade biológica entre indivíduos.
Para atender a essa demanda, pesquisadores desenvolveram o DiSC, uma nova ferramenta estatística projetada para realizar análises DE em nível individual de forma rápida e precisa. O DiSC extrai múltiplas características distribucionais dos dados, avaliando em conjunto sua associação com uma variável de interesse. Além disso, utiliza uma estrutura flexível de testes de permutação para controlar a taxa de descoberta falsa (FDR), garantindo resultados confiáveis. Estudos de simulação demonstraram que o DiSC controla eficazmente a FDR em diversas configurações e apresenta alta potência estatística na detecção de diferentes tipos de alterações na expressão gênica.
Uma das principais vantagens do DiSC é sua eficiência computacional, tornando-o escalável para estudos scRNA-seq com tamanhos de amostra cada vez maiores. Em testes para identificar genes DE potencialmente associados à gravidade da COVID-19 e à doença de Alzheimer em diferentes tipos de células mononucleares do sangue periférico e células neurais, o DiSC se mostrou aproximadamente 100 vezes mais rápido do que outros métodos de última geração, com resultados consistentes e corroborados pela literatura existente. Embora desenvolvido para dados scRNA-seq, o framework de teste robusto do DiSC pode ser aplicado a outros tipos de dados de célula única, como dados de citometria de tempo de voo, onde identificou significativamente mais marcadores DE do que os métodos tradicionais. O pacote de software R “SingleCellStat”, que implementa o DiSC, está disponível gratuitamente no CRAN e no GitHub, juntamente com o código de replicação para reproduzir as análises do estudo, promovendo a transparência e a reprodutibilidade da pesquisa.
Origem: Link