RNAseq 다중 연구 메타분석을 위한 p값 결합 기법

본 논문은 고비용이 감소함에 따라 동일한 생물학적 질문을 다루는 추가적인 RNA‑seq 연구가 늘어날 것으로 예상되는 상황에서, 이러한 다중 연구 데이터를 효과적으로 통합 분석하기 위한 방법론을 제시한다. 기존 마이크로어레이 메타분석에서 사용되던 p‑값 결합 기법—역정규법과 Fisher 방법—을 RNA‑seq 데이터에 적용하고, 이를 고정 효과를 포함한 음이항 일반화 선형 모델(GLM)과 비교한다. 방법론은 크게 두 단계로 구성된다. 첫 번째 단계에서는 각 연구별로 DESeq 파이프라인을 사용해 음이항 모델을 적합하고, 조건 간 차이를 검정한다. 여기서 얻어진 원시 p‑값은 연구마다 균등 분포를 만족하도록 HTSFilter를 이용해 저발현 유전자를 사전 제거한다. 이후 역정규법에서는 각 연구의 복제 수와 라이브러리 규모를 가중치로 사용해 Z‑점수를 계산하고, 이를 합산해 표준 정규 분포를 이용해 결합 p‑값을 산출한다. Fisher 방법은 −2∑log(p) 통계량을 구하고, 이를 자유도 2S인 χ² 분포와 비교해 결합 p‑값을 얻는다. 두 방법 모두 다중 검정 보정을 Benjamini‑Hochberg 절차로 수행한다. 두 번째 단계는 전역 모델링이다. 모든 연구 데이터를 하나의 음이항 GLM에 통합하고, 조건과 연구 효과를 동시에 회귀 변수로 포함한다. 조건 효과만을 포함한 축소 모델과 비교해 likelihood ratio test를 수행함으로써 조건이 유의한지를 판단한다. 이때도 HTSFilter를 사용해 전체 데이터에서 저발현 유전자를 제거한다. 성능 평가는 실제 멜라노마 세포주 데이터와 광범위한 시뮬레이션을 통해 이루어졌다. 실제 데이터는 두 개의 연구(A와 B)로 구성되며, 각 연구는 MiTF 발현을 억제한 대조군과 비교한다. 연구 A는 라이브러리 규모가 크고 변동성이 큰 반면, 연구 B는 규모가 작고 변동성이 낮아 연구 간 이질성이 뚜렷했다. 개별 연구 분석 결과를 교집합으로만 선택하면 매우 보수적인 결과가 도출되어 검출력이 낮았다. 반면 p‑값 결합 방법은 더 많은 차등 발현 유전자를 식별했으며, 특히 Fisher 결합이 가장 많은 유전자를 검출했다. 검출된 유전자들은 Ingenuity Pathway Analysis를 통해 암·멜라노마 관련 경로와 연관된 것으로 확인되어 생물학적 타당성을 입증했다. 시뮬레이션에서는 평균 로그 차이, 분산, 연구 간 변동성(σ²), 복제 수, 연구 수 등을 실제 데이터에서 추정한 파라미터로 설정하였다. 결과는 연구 간 변동성이 낮고 연구 수가 적을 때는 GLM이 경쟁력을 유지하지만, σ²가 중간 이상이거나 연구 수가 3개 이상으로 증가하면 p‑값 결합 방법이 민감도와 정확도 모두에서 우수함을 보여준다. 특히 연구 수가 증가할수록 Fisher 결합이 가장 높은 검출력을 보였으며, 역정규법도 비슷한 수준을 유지했다. 결론적으로, p‑값 결합 기법은 연구 간 기술적·생물학적 변동성을 효과적으로 통합하면서도 높은 검출력을 제공한다. 고정 효과를 포함한 GLM은 변동성이 적고 연구 수가 적은 경우에 유용하지만, 다중 연구 환경에서는 p‑값 결합이 더 적합하다. 저자들은 이러한 방법을 구현한 R 패키지 metaRNASeq를 R Forge에 공개했으며, 이를 통해 연구자들은 손쉽게 다중 RNA‑seq 연구를 메타분석할 수 있다. 이 패키지는 HTSFilter 기반의 사전 필터링, 가중치 지정, 충돌 유전자 자동 제거 기능을 제공한다. 향후 연구에서는 이질적인 실험 설계(예: 조건이 일부 연구에만 존재)와 더 복잡한 효과 모델(예: 랜덤 효과)에도 확장할 가능성을 제시한다.