考虑了在设计的微阵列实验中识别差异表达基因的问题。Lonnstedt和Speed（2002）使用简单的层次参数模型，在重复的双色实验中导出了差异表达后验概率的表达式。本文的目的是将Lonnstedt和Speed（2002）的层次模型发展为一种实用的方法，用于具有任意数量处理和RNA样本的通用微阵列实验。该模型在具有任意系数和对比度的一般线性模型的背景下重置。该方法同样适用于单通道和双色微阵列实验。对于模型中的超参数，导出了一致的闭式估计。提出的估计器即使对少量阵列也具有稳健的行为，并允许点滤波或点质量权重产生的不完整数据。后验优势统计量是根据调节t统计量重新表述的，其中使用后验残差标准差代替普通标准差。经验贝叶斯方法相当于将估计的样本方差收缩为集合估计，从而在数组数量较少时产生更稳定的推断。与后验概率相比，使用适度t统计量的优势在于减少了需要估计的超参数数量；特别地，不需要关于折叠变化的非零先验的知识。慢化t-统计量显示为服从具有增加自由度的t-分布。适度推理方法通过使用适度F-统计量扩展了对复合零假设的检验。仿真研究证明了这些方法的性能。给出了两个公开可用数据集的结果。
©2011 Walter de Gruyter GmbH&Co.KG，柏林/波士顿
