baySeq : Méthodes bayésiennes empiriques pour l'identification de l'expression différentielle dans les données de comptage de séquences

CONTEXTE : Le séquençage à haut débit est devenu une technologie importante pour étudier les niveaux d'expression dans de nombreux types de données génomiques, et particulièrement transcriptomiques. Une manière clé d'analyser ces données est de rechercher des éléments présentant des schémas d'expression différentielle spécifiques afin de les soumettre à des analyses et validations approfondies. RÉSULTATS : Nous proposons un cadre pour définir des schémas d'expression différentielle et développons un algorithme novateur, baySeq, qui utilise une approche bayésienne empirique pour détecter ces schémas dans un ensemble d'échantillons de séquençage. La méthode suppose une distribution binomiale négative pour les données et dérive une distribution a priori déterminée empiriquement à partir de l'ensemble du jeu de données. Nous évaluons la performance de la méthode sur des données réelles et simulées. CONCLUSIONS : Notre méthode est au moins aussi performante, souvent meilleure, que les méthodes existantes pour l'analyse d'expression différentielle par paires sur des données réelles et simulées. Lorsqu'on compare les méthodes d'analyse de données issues de plans expérimentaux impliquant plusieurs groupes d'échantillons, notre méthode montre à nouveau des gains de performance substantiels. Nous considérons que cette approche représente ainsi une avancée importante pour l'analyse des données de comptage issues d'expériences de séquençage.