van Wieringen,Wessel N。;范德维尔(Mark A.van de Wiel)。 DNA拷贝数诱导差异mRNA基因表达的非参数检测。 (英语) Zbl 1159.62087号 生物计量学 65,第1期,19-29(2009). 摘要:分子生物学的中心法则将DNA与mRNA联系起来。阵列CGH测量DNA拷贝数,基因表达微阵列测量mRNA数量。整合这两个平台数据的方法可能揭示有意义的生物学关系,从而进一步加深我们对癌症的理解。我们开发了检测拷贝数诱导的差异基因表达的非参数测试。这些测试包含了基因畸变调用的不确定性。测试之前有一个“调整算法”,该算法丢弃某些基因,以提高错误发现率选择过程的整体能力。此外,测试统计数据被“压缩”,以借用共享相同阵列CGH签名的相邻基因的信息。对于每个基因,我们还估计了它的影响,它因拷贝数变化而产生的差异表达量,并计算了决定系数。该方法以乳腺癌数据为例,证实了先前报道的结果,现在有了更深入的统计依据。 引用于6文件 MSC公司: 62页第10页 统计学在生物学和医学中的应用;元分析 62G10型 非参数假设检验 92C40型 生物化学、分子生物学 92 C50 医疗应用(通用) 关键词:阵列CGH;集成;微阵列;非参数统计;置换试验;收缩,收缩 软件:CGH呼叫;ACE-it公司 PDF格式BibTeX公司 XML格式引用 \textit{W.N.van Wieringen}和\textit{M.A.van de Wiel},生物计量学65,编号1,19-29(2009年;Zbl 1159.62087) 全文: DOI程序 参考文献: [1] Alexa,通过去相关GO图结构改进基因表达数据中功能组的评分,生物信息学22 pp 1600–(2006)·doi:10.1093/生物信息系统/btl140 [2] Allison,《微阵列数据分析:从混乱到整合和共识》,《自然评论遗传学》第7卷第55页–(2006年)·doi:10.1038/nrg1749 [3] 本杰米尼,《控制错误发现率:一种实用而有力的多重测试方法》,《皇家统计学会杂志》,B辑57,第289页–(1995)·Zbl 0809.62014号 [4] Broöt,使用空间相关混合模型检测CGH微阵列中的基因拷贝数变化,生物信息学22 pp 911–(2006)·doi:10.1093/bioinformatics/btl035 [5] Futreal,《人类癌症基因普查》,《自然评论癌症》第4期第177页–(2004)·doi:10.1038/nrc1299 [6] 基因本体联盟,《基因本体:生物学统一工具》,《自然遗传学》25页25–(2000)·doi:10.1038/75556 [7] Hyman,DNA扩增对乳腺癌基因表达模式的影响,《癌症研究》62页6240–(2002) [8] Kallioniemi,荧光原位杂交分析乳腺癌ERBB2扩增,PNAS 89 pp 5321–(1992)·doi:10.1073/pnas.89.12.5321 [9] 麦哲伦·金斯利:基于网络的异构生物数据和注释集成分析系统;卵巢癌DNA拷贝数和表达数据的应用,《癌症信息学》1第10页–(2006) [10] Langaas,估算真零假设的比例,并应用于DNA微阵列数据,皇家统计学会杂志,B系列67,第555页–(2005)·Zbl 1095.62037号 ·数字对象标识代码:10.1111/j.1467-9868.2005.00515.x [11] Lengauer,人类癌症中的遗传不稳定性,《自然》396第623页–(1998年)·doi:10.1038/25292 [12] Lipson,生物信息学中的算法,第四届国际研讨会,WABI 2004,挪威卑尔根,2004年9月17日至21日,论文集(2004) [13] Lu,MicroRNA表达谱对人类癌症进行分类,《自然》435第834页–(2005)·doi:10.1038/nature03702 [14] Merlo,《癌症作为一种进化和生态过程》,《自然评论癌症》6第924页–(2006)·doi:10.1038/nrc2013年 [15] Neuvial,阵列CGH数据的空间规范化,BMC生物信息学7 pp 264–(2006)·doi:10.1186/1471-2105-7-264 [16] Nguyen,《微阵列实验:生物和技术方面》,《生物统计学》58,第701页–(2002年)·Zbl 1210.62197号 ·doi:10.1111/j.0006-341X.2002.00701.x [17] Olshen,用于分析基于阵列的DNA拷贝数数据的循环二进制分割,生物统计学5 pp 557–(2004)·Zbl 1155.62478号 ·doi:10.1093/biostatistics/kxh008 [18] 奥斯本,乳腺癌中的癌基因和抑癌基因:潜在的诊断和治疗应用,《肿瘤学家》9第361页–(2004)·doi:10.1634/theoncologist.9-4-361 [19] Park,回归的平均基因表达,生物统计学8 pp 212–(2007)·Zbl 1144.62357号 ·doi:10.1093/biostatistics/kxl002 [20] Pinkel,阵列比较基因组杂交及其在癌症中的应用,《自然遗传学》第37页S11–(2005)·doi:10.1038/ng1569 [21] 平克尔,利用比较基因组杂交技术对微阵列进行DNA拷贝数变异的高分辨率分析,《自然遗传学》20页207–(1998)·doi:10.1038/2224 [22] Pollack,微阵列分析揭示了DNA拷贝数改变在人类乳腺肿瘤转录程序中的主要直接作用,PNAS 99 pp 12963–(2002)·doi:10.1073/pnas.162471999 [23] Randles,《自适应无分布测试》,《统计学中的通信2》,第337页–(1973)·Zbl 0266.62029号 ·doi:10.1080/03610927308827080 [24] Subramanian,《基因集富集分析:一种基于知识的全基因组表达谱解释方法》,PNAS 102第15545页–(2005)·doi:10.1073/pnas.0506580102 [25] Sweet-Codero,肺癌小鼠模型中基因表达和DNA拷贝数变化的比较,《基因、染色体和癌症》45,第338页–(2006年)·doi:10.1002/gcc.20296 [26] van de Wiel,CGHregions:以最小的信息损失对阵列CGH数据进行降维,《癌症信息学2》第55页–(2007) [27] van de Wiel,CGHcall:调用阵列CGH肿瘤轮廓的畸变,生物信息学23页892–(2007)·doi:10.1093/bioinformatics/btm030 [28] van Wieringen,ACE-it:基因剂量和RNA表达数据的全基因组整合工具,生物信息学22 pp 1919–(2006)·doi:10.1093/bioinformatics/btl269 [29] van Wieringen,部分差异表达测试,美国统计协会杂志(2008)·Zbl 1205.62189号 ·doi:10.1198/01621450000001319 [30] Vogelstein,《癌症基因及其控制的途径》,《自然医学》第10卷第789页–(2004年)·doi:10.1038/nm1087 [31] Willenbrock,《比较研究:将分割应用于下游分析的阵列CGH数据》,生物信息学21,第4084页–(2005)·doi:10.1093/bioinformatics/bti677 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。