教你如何做趋势分析

在实验的设计中，我们经常需要了解基因随时间，温度，药物浓度等变化的表达趋势。当生物体按照一定顺序发生变化或者受到外界环境刺激（如受到不同浓度的化学药物诱导）时，基因表达变化也会呈现趋势特征。

趋势分析

趋势分析(STC, Series Test of Cluster)就是发现基因表达的趋势特征，将相同变化特征的基因集中在一种变化趋势中，从而找到实验变化过程中最具有代表性的基因群，揭示生物样本在变化过程中所特有的规律。

应用场景举例

观察基因随时间的变化是趋势性分析应用较多的场景，下面我们就以此来看看趋势性分析的具体应用。

相关基因：ACSL1、MPDZ 相关疾病： Liver Failure

样本编号：GSE17184 PMID: 20398290 IF：3.867

这篇文章主要研究爆发性肝炎在早期阶段的病理机制，研究目的在于寻找病变过程中起主导作用的基因群及关键基因。作者采用ConA 诱导的小鼠肝炎模型，选取了0h,1h，3h，6h四个时间点做表达谱分析，用ANOVA筛选得到了1473个差异表达基因（p<0.05，FDR<0.05）。

为进一步筛选出显著变化的基因群，作者用趋势分析将差异基因的表达趋势进行了分门别类，从中得到了10个显著变化的趋势模型（p<0.05）。

图1 小鼠肝炎随时间变化的26个趋势模型，有颜色的代表显著的趋势模型（p<0.05），无颜色的代表不显著，相同颜色代表相似性的表达趋势

并在最显著变化的NO.9和NO.16趋势模型中，用基因共表达网络分析得到了26个核心基因，这些核心基因主要作用于蛋白转运、转录调节、细胞代谢方面。筛选出的核心基因为爆发性肝癌的早期诊断提供了分子依据。

图2 NO.9和NO.16趋势模型中基因的表达情况

趋势分析结果解析

上文作者在做爆发性肝癌的病理机制的研究中，通过趋势性分析来寻找病变过程中起主导作用的基因群。那上述的趋势模型图具体怎么看呢？完整的趋势分析结果是怎么的呢？

用上述文献中的样本GSE17184在GCBI在线实验室进行趋势分析，具体方案如下，0,1,3,6为时间分组，先对数据进行差异分析(P值<0.01 Q值<0.05),得到了9409个差异基因，再对差异基因进行趋势性分析（详细操作见趋势分析方法）。

图3 趋势分析方案图（数据GSE17184）

趋势模型总图

趋势分析得到的26个趋势模型（亦称为profile）中，筛选得到12个显著性profile（红色部分），最显著的两个分别为profile10和profile17，profile10和17都在1时无明显变化，随后开始下调/上调。

图4 GSE17184趋势模型总图

四个时间点为何是26种趋势模型？如何将表达基因匹配到趋势模型中？又如何判断趋势模型的显著性？答案请戳趋势分析方法论

如何看表达趋势模型呢？选取profile10作为示例。

图5 趋势总图中profile 10

图的正上方，显示趋势模型编号及P值。横坐标表示样本顺序，0、1、2、3分别对应时间点0h,1h，3h，6h。纵坐标表示基因表达变化幅度，正负号表示上下调。

Profile 10的趋势模型可归纳为（0,0，-1，-2）。（为什么趋势线都是都从0点开始呢？见下文）。

单个趋势图

趋势总图中的每个profile都对应有各自基因的趋势图。profile10的基因趋势图如下图所示。

图6 单个趋势模型

图的上方（0，0,-1，-2）对应趋势总图中的趋势模型。横坐标表示时间相，纵坐标表示表达变化幅度 log2(V(i)/V(0))，V(i)表示某相的表达值，V(0)表示0点的表达值。这就是为什么趋势线都是从零开始的。每条折线代表样本中的一个基因。

STC分析结果的详细信息可参见表格。

趋势模型总表

趋势总表中罗列了所有显著性趋势模型，红框中的参数表示基因在每个点变化幅度，绿框中为统计检验参数。 genes assigned表示在每个趋势模型中的基因个数，gene expected表示置换基因样本顺序分配在这个趋势模型中的基因个数，由此来检验某个趋势模型是否具有统计显著性意义。黄框里是每个趋势模型的基因列表。