A análise de RNA-seq envolve múltiplas etapas, incluindo mapeamento de leituras, quantificação, normalização e análise estatística de expressão diferencial. O mapeamento eficiente de sequências contra um genoma de referência pode impactar diretamente a precisão dos resultados, assim como a escolha de métodos de quantificação e normalização. Ferramentas como STAR e HISAT2 realizam alinhamento, enquanto Salmon emprega um modelo livre de alinhamento para quantificação. Da mesma forma, pacotes estatísticos como DESeq2, edgeR e limma são amplamente utilizados para normalizar e identificar genes diferencialmente expressos. Qual abordagem melhor representa as vantagens e limitações das diferentes metodologias de análise de RNAseq?
-
A O STAR e o HISAT2 são equivalentes em desempenho e sempre retornam os mesmos resultados, independentemente das características da amostra ou do genoma de referência.
-
B O STAR e o HISAT2 utilizam estratégias de mapeamento distintas, sendo que o STAR é mais rápido devido ao seu algoritmo baseado em índices do tipo suffix array, enquanto o HISAT2 apresenta melhor desempenho em genomas altamente polimórficos.
-
C A quantificação via Salmon, por não utilizar alinhamento tradicional, compromete a precisão dos resultados ao estimar a expressão gênica de forma indireta, tornando-o inviável para análises robustas.
-
D O DESeq2 e o edgeR utilizam métodos idênticos de normalização de contagens, tornando sua escolha irrelevante para a análise de expressão diferencial.
-
E A normalização em análises de RNA-seq é dispensável, pois a contagem absoluta de transcritos já representa fielmente a expressão gênica em todas as amostras analisadas.
