edgeR und DESeq2 im Vergleich: Unterschiede bei DEG‑Identifikation und Vorhersagekraft

Sonstige: edgeR und DESeq2 im Vergleich: Unterschiede bei DEG‑Identifikation und Vorhersagekraft

Eine aktuelle Analyse von Mostafa Rezapour und Kolleg*innen vergleicht die beiden verbreiteten Werkzeuge edgeR und DESeq2 für die Differential‑Gene‑Expression (DGE) Analyse und zeigt, dass die Wahl des Werkzeugs sowohl die Menge der identifizierten Gene als auch deren Vorhersage‑ und Generalisierungsfähigkeit beeinflussen kann.

Methodik und Datengrundlage

Die Autoren nutzten reale und halb‑simulierte Bulk‑RNA‑Seq‑Datensätze, die überwiegend von menschlichen Patient*innen stammen und virale Infektionen, bakterielle Infektionen sowie fibrotische Erkrankungen abdecken. Für die Signifikanz wurden ein Bonferroni‑korrigierter p‑Wert  1 verwendet.

Ergebnisse zur DEG‑Identifikation

Bei kleinen Stichprobengrößen identifizierte DESeq2 im Durchschnitt mehr differentielle Gene als edgeR, während die Übereinstimmung zwischen den Werkzeugen mit zunehmender Stichprobengröße anstieg.

Klassifikationsleistung

Trainierte Klassifikationsmodelle, die ausschließlich die von einem Werkzeug spezifisch ermittelten Gene nutzten, erreichten für edgeR in neun von dreizehn Kontrasten höhere F1‑Werte und häufiger perfekte oder nahezu perfekte Präzision im Vergleich zu DESeq2.

Pathway‑Analyse

Enrichment‑Analysen mit Hallmark‑ und KEGG‑Datenbanken zeigten für viele Kontraste eine weitgehende Übereinstimmung der signifikanten Pfade, jedoch existierten in einzelnen Fällen werkzeugspezifische angereicherte Pfade.

Validierung in unabhängigen Studien

In einer Kreuz‑Studien‑Validierung mit vier unabhängigen SARS‑CoV‑2‑Datensätzen erzielten die von edgeR‑spezifischen Genen abgeleiteten Modelle höhere AUC‑Werte, Präzision und Recall, wobei einige Testfälle eine perfekte Trennung ermöglichten.

Schlussfolgerungen für die Werkzeugwahl

Die Untersuchung legt nahe, dass DESeq2 unter strengen Schwellenwerten mehr Gene liefert, während edgeR tendenziell konservativere, aber besser vorhersagbare und über Studien hinweg robustere Genlisten erzeugt. Die Autoren empfehlen, die Werkzeugwahl nicht allein nach DEG‑Menge zu treffen, sondern auch die angestrebte Vorhersage‑ und Interpretationsqualität zu berücksichtigen.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.