Análisis estadístico de datos transcriptómicos complejos de muestras humanas y uso de un método de deconvolución para identificar tipos celulares específicos.

Abstract

[ES]El estudio de la heterogeneidad celular es un problema de gran relevancia para la caracterización biológica de un tejido complejo y que se puede resolver mediante el empleo de métodos de deconvolución. Hasta hace unos años, el método de CIBERSORT se presentaba como la mejor alternativa para afrontar dicho problema, aportando a su vez una matriz de firmas que ayudase a su algoritmo a identificar los tipos celulares que conformaban las muestras. Sin embargo, posteriormente surgieron otros como dtangle, MIND, linseed y deconICA que propusieron nuevos algoritmos basados en regresión e incluso distintos enfoques para inferir esos componentes. En este trabajo se exponen y desarrollan estos métodos comparando sus resultados y determinando el más adecuado para su aplicación en un conjunto de datos simulados y otro real (GSE64385).

{EN}The study of cellular heterogeneity is a major biological issue in complex tissue characterization and it can be faced through deconvolution methods. Until a few years ago, CIBERSORT, a computational approach, seemed to be the best alternative to cope with this problem, providing a signature matrix that allows the algorithm to identify cell type components of the samples. However, sometime later, other methods such as dtangle, MIND, linseed and deconICA have been developed and they suggested new algorithms based on regression and other different approaches in order to infer those cellular components. The present paper describes and evaluate these deconvolution methods comparing their results and establishing the most proper method to use in a simulated and a real dataset (GSE64385).