PyDESeq2

from pydeseq2.default_inference import DefaultInference
from pydeseq2.dds import DeseqDataSet
from pydeseq2.ds import DeseqStats
  

• on construit un objet DeseqDataSet avec les data, metadata et en indiquant le facteur qui détermine les groupes :

  inference = DefaultInference(n_cpus = 8)
  dds = DeseqDataSet(counts = dfCounts, metadata = dfMetadata, design = '~day',
    independent_filter = True, refit_cooks = True, inference = inference, quiet = True)
      

  dfCounts doit être de type sample x gènes et dfMetadata doit être de type sample x attribut, dont ici l'attribut day.
• refit_cooks : enlève les outliers
• independent filtering : on écarte a priori les gènes qui n'ont aucune chance de ressortir comme significatifs parce que les comptes sont trop faibles. Ca permet de diminuer le nombre de tests et donc d'avoir des p-values ajustées moins hautes
• DeseqDataSet dérive en fait de AnnData.
• en fait, pour construire un DeseqDataSet, on peut donner simplement un objet AnnData qui a ses groupes dans le dataframe .obs, plutôt que un dataframe de counts et un dataframe de metadata.
• dds.deseq2() : calcule les facteurs de normalisation, fitte les dispersions et les log fold change.
• ds = DeseqStats(dds, contrast = ['day', 'treated', 'ref'], alpha = 0.05, inference = inference, quiet = True) : day est le nom de la variable, ref est le niveau de référence, treated est le traitement.
• ds.summary() : fait les calculs.
• le résultat est dans le dataframe ds.results_df avec notamment les champs baseMean, log2FoldChange, pvalue, padj (baseMean est la valeur moyenne globale de tous les samples (traités et contrôle).
• la p-value peut être NA quand il y a des outliers (du à cooks_filter = True, le défaut)

• c'est un shrinkage bayésien appliqué au log fold change pour le rapprocher de 0 quand les comptes sont proches de 0 ou la variance est forte.
• calcul des log fold change shrunken après ceux standard :

  dfResult = ds.results_df.copy()
  ds.lfc_shrink(coeff = 'group[T.treated]') # si la valeur de group pour le traité est treated.
  dfResult['log2FoldChangeShrunken'] = ds.results_df['log2FoldChange']