Microarray vs RNA‑seq: chi vince la sfida del gene expression?

Capire quali geni si accendono o si spengono è fondamentale per decifrare come funzionano le cellule. Oggi il metodo più usato è l’RNA‑seq, ma il microarray, più vecchio, è ancora in gara. Un team di ricercatori ha confrontato i due approcci su campioni di sangue di 35 adolescenti coinvolti in uno studio sull’HIV. Dopo aver estratto l’RNA, hanno analizzato i dati con lo stesso tipo di statistica non parametrica, il test di Mann‑Whitney. I risultati? I profili di espressione dei geni sono molto simili: il coefficiente di correlazione di Pearson medio è 0,76. L’RNA‑seq ha scoperto 2 395 geni differenzialmente espressi, mentre il microarray ne ha trovati 427; 223 geni sono stati individuati da entrambi. Anche i percorsi biologici colpiti coincidono in parte: 205 percorsi con l’RNA‑seq, 47 con il microarray, e 30 condivisi. In pratica, quando si usano metodi statistici coerenti, i due strumenti danno risultati concordi. Questo significa che il microarray non è obsoleto: può ancora integrare l’RNA‑seq, rendendo le analisi più robuste e confermando le scoperte. Per i giovani scienziati, la lezione è chiara: scegliere lo strumento giusto e applicare la statistica corretta è più importante del “nuovo vs vecchio”.

L’analisi comparativa tra microarray e RNA‑seq si basa su due filosofie tecnologiche distinte. Il microarray utilizza sonde fissate su una matrice solida; l’ibridazione dell’RNA campione produce un segnale di fluorescenza proporzionale all’abbondanza del trascritto. Questo approccio è limitato dalla dipendenza da sequenze predefinite e da una gamma dinamica più ristretta, ma offre costi contenuti e una buona riproducibilità. L’RNA‑seq, al contrario, sfrutta il sequenziamento di massa di cDNA sintetizzato dall’RNA totale, consentendo la scoperta di nuovi trascritti, isoforme alternative e varianti di splicing. La sua sensibilità è superiore, ma richiede una maggiore potenza computazionale per l’allineamento e la quantificazione. Nel presente studio, la scelta di un test non parametrico (Mann‑Whitney) è cruciale perché i dati di espressione, spesso non distribuiti normalmente, violano le assunzioni dei test parametrici. La correlazione di Pearson (r = 0,76) indica una forte concordanza, ma è importante notare che la correlazione non cattura differenze di scala: l’RNA‑seq può rilevare variazioni più sottili, spiegando il maggior numero di geni differenzialmente espressi (DEG). L’analisi di arricchimento dei percorsi (pathway analysis) è stata probabilmente effettuata con algoritmi come GSEA o DAVID, che valutano la sovrapposizione tra liste di DEG e set di geni annotati. La condivisione di 30 percorsi suggerisce che, nonostante le differenze metodologiche, le conclusioni biologiche rimangono robuste. In futuro, l’integrazione di dati multi‑omics (transcriptomica, epigenomica, proteomica) potrà beneficiare di approcci ibridi, dove il microarray fornisce una validazione rapida e a basso costo, mentre l’RNA‑seq approfondisce la complessità trascrizionale. Inoltre, l’uso di metodi statistici avanzati, come i modelli lineari generalizzati o le tecniche di bootstrapping, può migliorare ulteriormente la comparabilità tra piattaforme, riducendo il rischio di falsi positivi e aumentando la potenza statistica complessiva.