¿Efecto por lotes detrás de los resultados específicos de especies?
WIKIMEDIA, RAMAL A finales del año pasado, los miembros del consorcio Mouse ENCODE informaron en PNAS que, en una amplia gama de tejidos, la expresión génica era más probable seguir un patrón específico de especie en lugar de específico de tejido. Por ejemplo, los genes en el corazón del ratón se expresaron en un patrón más similar al de otros tejidos del ratón, como el cerebro o el hígado, que el corazón humano.
Pero a principios de este mes, Yoav Gilad de la La Universidad de Chicago cuestionó estos resultados en Twitter. Con una docena de despachos de 140 caracteres (incluidos tres mapas de calor), Gilad sugirió que los resultados publicados en PNAS eran una anomalía, como resultado de cómo se secuenciaron las muestras de tejido en diferentes lotes. Si este “efecto por lotes” fue eliminado, propuso, los tejidos humanos y de ratón se agruparon de una manera específica de tejido, lo que confirma los resultados anteriores en lugar de respaldar las conclusiones reportadas por el equipo de Mouse ENCODE.
“Si puede contestar…
Ahora, en una preimpresión publicada hoy (19 de mayo) por F1000 Research, Gilad y su coautora Orna Mizrahi-Man detallaron cómo volvieron a analizar los datos de Mouse ENCODE para llegar a esta conclusión alternativa. Los investigadores obtuvieron datos sin procesar, código de análisis y otros detalles del equipo Mouse ENCODE. Luego extrajeron información sobre cuándo y cómo se secuenció cada muestra, y compararon los tejidos humanos y de ratón con los carriles en las ejecuciones de secuenciación. La mayoría de las muestras, descubrieron Gilad y Mizrahi-Man, habían sido secuenciadas en lotes agrupados por especie; tejidos de ratón se procesaron en un lote, tejidos humanos en otro. Los investigadores encontraron que solo uno de los cinco lotes secuenciados incluía tejidos de ambas especies.
Cuando Gilad y Mizrahi-Man aplicaron métodos estadísticos para eliminar este aparente efecto de lote, los grupos de expresión génica específicos de la especie desaparecieron. Cuando se corrige por el efecto de lote, por las propiedades de cómo se diseñó el estudio, no se ven agrupamientos por especie, dijo Gilad. Verá agrupamiento por tejido.
Efectos por lotes: los resultados potenciales de pequeñas diferencias entre métodos, máquinas o experimentadores individuales que pueden influir en el resultado experimental se han informado en varios otros estudios. Para evitar el problema, los experimentos generalmente se configuran de modo que los efectos de los lotes no se superpongan con las variables biológicas. En este caso, dijo Gilad, incluir más análisis con muestras de ambas especies podría haber resultado útil. Con solo cuatro muestras de este tipo, no está claro con qué eficacia se pueden controlar los efectos por lotes.
Sin más datos, las conclusiones de los estudios Mouse ENCODE sobre la expresión génica específica de especies son, en opinión de Gilads, inciertas en el mejor de los casos. . Cambia toda la conclusión y argumenta que las conclusiones del artículo de Nature y del artículo de PNAS no están justificadas, le dijo a The Scientist. Como mínimo, existe la duda de si un efecto de lote fue el responsable.
Steven Salzberg, biólogo computacional de la Universidad Johns Hopkins en Baltimore que no participó en el trabajo, calificó el reanálisis como minucioso y cuidadoso. . . . y realmente bastante convincente.
El efecto de lote que descubrieron socava los resultados de una manera muy seria, dijo Salzberg a The Scientist. No creo que haya forma de escapar al hecho de que la conclusión principal del artículo de PNAS no es cierta.
Junto con Salzberg y Robine, varios otros investigadores expresaron poca sorpresa por la resultados del reanálisis de Gilad y Mizrahi-Mans en Twitter. Para muchos, estos últimos resultados se hicieron eco de su propia incredulidad de los publicados el año pasado. Por ejemplo, Benoit Bruneau, investigador cardiovascular de los Institutos Gladstone en San Francisco, escribió: Eso es un alivio. Esos papeles me desconcertaron. Ahora sé por qué.
Para Robine, el problema en cuestión es simple. Si tiene afirmaciones excepcionales, necesita datos excepcionales, le dijo a The Scientist. Las conclusiones principales [del artículo de PNAS] probablemente sean incorrectas, pero el diseño experimental tampoco pudo responder la pregunta.
Los datos se recopilaron para una pregunta o proyecto en particular. , él continuó. Si va a volver a analizar los datos para una pregunta diferente, debe ver si su pregunta es compatible con la forma en que se recopilaron los datos.
Michael Snyder de la Universidad de Stanford, coautor del estudio Mouse ENCODE publicado en PNAS, no está convencido de estos últimos resultados. El nuevo análisis realmente está haciendo algo que ya sabíamos, le dijo a The Scientist. Terminaron restando el efecto de especie en el nuevo análisis y, por lo tanto, vieron los efectos específicos de tejido, y eso es lo que también publicamos.
Snyder agregó que aunque las muestras se analizaron en carriles separados, los experimentos fueron todo hecho al mismo tiempo por la misma persona. Básicamente eso elimina el efecto laboratorio y los efectos persona. Nunca hemos visto efectos de carril, pero ahora lo documentaremos, le dijo a The Scientist. La conclusión es que tenemos bastante confianza en nuestros resultados y en el hecho de que se estudió en muchos laboratorios diferentes. De hecho, pasamos dos años en esto, no fue algo superficial.
Según recuerda Snyders, no surgieron preguntas sobre los posibles efectos de los lotes durante la revisión por pares de ninguno de los artículos de Mouse ENCODE. Los investigadores no participaron en la discusión de Twitter que, como dijo Snyder, puede hacer que las personas personales comiencen a hacer comentarios negativos sobre los autores muy rápidamente.
Las redes sociales son un gran foro para otras discusiones, pero no cuando estás criticando el trabajo de alguien en este formato, dijo Snyder, y agregó que él y sus colegas están planeando una respuesta en línea a la versión preliminar, que aún no ha sido revisada por pares.
Se le pidió a Gilad que hiciera el nuevo análisis porque se publicó los resultados no me sentaron bien, dijo. Debido a que los resultados fueron informados por un consorcio en lugar de un solo laboratorio de investigadores, optó por compartir sus hallazgos a través de Twitter en lugar de medios más convencionales, como contactar a los autores del estudio o la revista. Compartimos nuestro análisis de la misma manera que los datos originales [fueron] compartidos para que toda la comunidad lo averigüe, explicó.
Al igual que Snyder, Gilad se sorprendió por la falta de preguntas que recibió sobre su propia cuenta. trabajar en Twitter. No me sorprendió la cantidad de personas que se unieron a la discusión, retuitearon y todo eso, dijo. Pero me sorprendió que nadie dijera: No puedes simplemente compartir los titulares; esto es ciencia, necesitas compartir los detalles.
Para el biólogo integrador Steve Phelps de la Universidad de Texas en Austin, discutir resultados experimentales en tiempo real en Twitter es un poco inusual, pero un reflejo de cómo la ciencia está cambiando.
En general, el reanálisis y la participación [de los investigadores de ENCODE] es algo bastante positivo para la ciencia, dijo Phelps. Los autores originales pusieron sus datos y fuentes a disposición del público y los compartieron fácilmente. [Gilad y Mizrahi-Man] tenían preocupaciones, y pudieron analizar los datos y crear una versión alternativa.
Creo que [la discusión] es realmente bastante saludable y se refleja bien en ambos grupos, añadió.
O. Mizrahi-Man y Y. Gilad, Un nuevo análisis de datos de expresión génica comparativa ENCODE de ratón, F1000 Research, doi:10.12688/f1000research.6536.1, 2015.
¿Le interesa leer más?
The Scientist ARCHIVES
Conviértase en miembro de
Reciba acceso completo a más de 35 años de archivos, así como TS Digest, ediciones digitales de The Scientist, reportaje stories, ¡y mucho más!Únase gratis hoy ¿Ya es miembro?Inicie sesión aquí