Bien qu'il ne soit pas recommandé de ne pas utiliser de répliques, dans le manuel edgeR, ils donnent quelques conseils sur la façon de continuer sans conception de répliques. Consultez la page 21 du guide de l'utilisateur. Vous pouvez par exemple estimer une valeur BCV. Bien sûr, c'est toujours une astuce et pas des statistiques solides.

Mike Love a raison. Si la réponse que vous recherchez est linéaire en termes de changement par minute, l'approche la plus productive est probablement d'ajuster un modèle linéaire. Vous pourriez en tirer quelque chose, car la différence entre des points temporels successifs représente plusieurs mesures du taux de changement au fil du temps. Le plus gros problème est que les points temporels ne sont pas indépendants. Vous auriez besoin d'ajuster un modèle qui a estimé ce taux à la fois pour WT et KO, puis tester la différence de taux.

Je vois trois façons d'avancer, dans tous les cas, vous voulez tester le dernier terme du modèle ~ temps + génotype + temps: génotype

1. Idéalement, vous aimeriez ajuster un modèle linéaire binomial négatif aux nombres de lectures. Mais cela va être difficile car vous n'avez pas de répliques à partir desquelles évaluer la dispersion. Ainsi, vous pouvez générer des comptages de lectures à l'aide de votre pipeline de comptage de lectures préféré (STAR ​​+ featureCounts / Salmon / Kallisto) et adopter l'approche dans le guide edgeR noté par b.nota, puis utiliser edgeR pour tester le modèle ajusté .

2. Vous pouvez utiliser quelque chose comme salmon ou kallisto pour estimer les TPM en supposant que les TPM de log sont normalement distribués et les modéliser avec lm dans R, en utilisant quelque chose comme balai pour modéliser chaque gène séparément. Un tutoriel de David Robinson, l'auteur de balai sur ce genre de chose peut être trouvé ici

3. Vous pouvez utilisez les bootstraps Salmon ou Kallisto pour estimer la variation technique (mais pas biologique) et je suppose que vous pourriez utiliser Sleuth pour adapter le modèle.

Dans tous les cas, ces résultats doivent être traités avec scepticisme et principalement considérés comme générateurs d'hypothèses. Vous pourriez trouver des gènes que vous souhaitez revenir en arrière et confirmer et vous pourriez voir des modèles intéressants si vous regardez certains enrichissements, etc. que vous pouvez ensuite concevoir des expériences pour tester.