Pengelasan gen glaciozyma antarctia p112 mengikut faktor suhu dan masa berdasarkan kaedah statistik tak berparameter

Abstract

Cabaran bagi data raya seperti data hasil penjujukan RNA (RNA-seq) melalui teknik penjujukan selari secara besar-besaran menjadikan kaedah menganalisis data sangat rumit memandangkan ia merupakan data berdimensi tinggi. Teknologi ‘Next-generation sequencing’ (NGS) yang digunakan bagi mengekstrak data pula menyediakan jumlah bacaan penjujukan digital yang merupakan data diskret menjadikan kaedah menganalisis data berbeza berbanding teknologi sebelum ini. Oleh itu, kajian ini membangunkan al-khwarizmi bagi pengelasan gen kepada beberapa set gen menggunakan teknik berstatistik mengikut kesan terhadap faktor suhu dan masa yang bererti bagi perbezaan pengekspresan gen bagi yis Glaciozyma antarctica PI12. Pada peringkat awal, analisis data jelajah (EDA) dijalankan dan teknik visualisasi secara interaktif menggunakan papan pemuka dibangunkan. Selain itu, penemuan hasil EDA ini juga menunjukkan bahawa majoriti gen mempunyai taburan data yang tidak memenuhi andaian pendekatan berparameter, maka kaedah alternatif dipilih ke atas analisis pada peringkat seterusnya iaitu pengujian hipotesis menggunakan pendekatan tak berparameter. Memandangkan faktor yang terlibat dalam kajian ini merangkumi dua faktor iaitu faktor suhu dan masa, maka pengujian hipotesis juga mengambil kira reka bentuk faktoran bagi faktor saling tindak antara suhu dan masa. Pemilihan kaedah pengujian hipotesis statistik pseudo-pangkat berasaskan analisis varians (pseudo-pangkat ATS) bertujuan mengatasi masalah data berbentuk diskret ke atas reka bentuk faktoran. Pengubahsuaian juga dilakukan bagi menganalisis data berdimensi tinggi serta pelarasan nilai-p di dalam hipotesis reka bentuk faktoran yang menjalankan hipotesis secara serentak dengan menguji prosedur terbaik bagi pengujian hipotesis berbilang (MHT) ke atas pseudo-pangkat ATS. Oleh yang demikian, simulasi Monte Carlo dilaksanakan untuk menguji kaedah baru MHT yang dibangunkan menggunakan pendekatan tak berparameter dengan menilai prestasi pengawalan kadar ralat Jenis 1 serta dapat memberi kuasa ujian yang tinggi. Perbandingan lapan prosedur MHT yang diuji adalah prosedur Bonferroni, Holm, Hochberg, Benjamini Hochberg (BH), step down Sidak (Sidak SD), single step Sidak (Sidak SS) dan Benjamini Yekuiteli (BY) mengikut kriteria FWER dan FDR bagi ralat jenis I. Menariknya hasil simulasi ini mendapati prestasi mengawal kadar ralat jenis I bagi kriteria kadar Penemuan Palsu (FDR) menggunakan prosedur Hochberg (dikenali sebagai Hochberg-FDR) adalah prosedur MHT terbaik selain prosedur BH yang sering digunakan bagi kriteria FDR (dikenali BH-FDR). Pada peringkat terakhir, pemilihan prosedur terbaik MHT berdasarkan hasil simulasi diintegrasikan ke atas al-khwarizmi pengelasan gen menggunakan data sebenar iaitu RNA-seq data bagi yis Glaciozyma antarctica PI12. Majoriti gen yang tahap pengekspresannya terbeza secara bererti adalah pada kumpulan gen bagi model berdaya tambah di mana gen dipengaruhi kedua-dua faktor tetapi kesan faktor ini adalah tidak bersandar. Kumpulan set gen yang mempunyai corak pengekspresan kedua tertinggi adalah kumpulan gen yang hanya mempunyai kesan terhadap suhu sahaja diikuti kumpulan gen yang mempunyai kesan terhadap perubahan masa sahaja dan akhir sekali kumpulan gen yang mempunyai kesan suhu yang bergantung kepada masa (kesan saling tindak).