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。