В статье представлен GLORB (Global-shift Robust Bayesian model) — новый байесовский метод для оценки дифференциальной экспрессии генов в данных RNA-seq. Традиционные методы нормализации, такие как DESeq2 (медиана отношений) и edgeR (усеченное среднее M-значений), искажают результаты, когда большинство генов повышено или понижено, либо когда изменяется общее содержание РНК в клетке. GLORB решает эту проблему, моделируя глобальные сдвиги экспрессии без использования spike-in контролей. Авторы разработали две модели, которые позволяют восстанавливать дифференциально экспрессируемые гены и коэффициенты линейных моделей с меньшими искажениями. Показано, что метод согласуется с DESeq2 и edgeR в условиях, когда лишь меньшинство генов изменено, но превосходит их при глобальных изменениях. Кроме того, GLORB не требует вычисления геометрических средних для каждого гена, что делает его применимым к данным с высокой разреженностью. Метод имеет прямое применение в биоинформатике и медицинских исследованиях, связанных с транскриптомным анализом.