×

在微阵列分析中使用支持向量机分位数回归方法的新规范化方法。 (英语) Zbl 1452.62848号

小结:cDNA微阵列实验中有许多系统性差异的来源,这些差异会影响测量的基因表达水平。在染料偏差可能取决于光斑整体强度和/或阵列内的空间位置的情况下,打印-纹理降低归一化被广泛使用。然而,在每个基因的误差变异在强度范围内是异质的情况下,打印-层数归一化表现不佳。我们首先通过扩展支持向量机回归(SVMR)来开发支持向量机分位数回归(SVMQR),用于线性和非线性分位数回归的估计,然后提出了一些基于SVMR和SVMQR的新的打印时间归一化方法。我们将我们提出的标准化方法应用于载脂蛋白AI-KO(apoAI-KO)基因敲除小鼠、饮食诱导肥胖小鼠和genistein喂养肥胖小鼠的先前cDNA微阵列数据。从我们的比较分析中,我们发现我们提出的方法比现有的打印-纹理归一化方法性能更好。

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
62-08 统计学相关问题的计算方法
68T05型 人工智能中的学习和自适应系统
92D20型 蛋白质序列,DNA序列
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Alizadeh,A.A。;艾森,M.B。;Davis,R.E。;马,C。;Lossos,I.S。;罗森瓦尔德,A。;Boldrick,J.C。;萨贝特,H。;Tran,T。;Yu,X。;鲍威尔,J.I。;Yang,L。;马蒂,G.E。;摩尔,T。;哈德森,J。;卢,L。;刘易斯,D.B。;Tibshirani,R。;Sherlock,G。;Chan,W.C。;格雷纳,T.C。;维森伯格,D.D。;Armitage,J.O。;Warnke,R。;利维,R。;Wilson,W。;格雷弗,M.R。;Byrd,J.C。;博茨坦,D。;布朗,P.O。;Staudt,L.M.,通过基因表达谱确定的不同类型的弥漫性大b细胞淋巴瘤,《自然》,403,503-511(2000)
[2] 贝尔德,D。;约翰斯顿,P。;Wilson,T.,使用包含样条的空间混合模型分析对微阵列数据进行归一化,生物信息学,203196-3205(2004)
[3] Bolstad,B.M。;爱尔兰共和国。;Astrand,M。;Speed,T.P.,《基于方差和偏差的高密度寡核苷酸阵列数据归一化方法比较》,生物信息学,19,2,185-193(2003)
[4] Broberg,P.,《基因差异表达排名》,《基因组生物学》,30007.1-0007.23(2002),预印本
[5] 布朗,P.O。;Botstein,D.,用DNA微阵列探索基因组的新世界,the Chipping Forecast,21,33-37(1999)
[6] 卡洛,M.J。;Dudoit,S。;Gong,E.L。;速度,T.P。;Rubin,E.M.,微阵列表达谱确定高密度脂蛋白缺乏小鼠中表达改变的基因,基因组研究,102022-2029(2000)
[7] Chang,C.C.,Lin,C.J.,2001年。LIBSVM:支持向量机库。网址:http://www.csie.ntu.edu.tw/cjlin/libsvm; Chang,C.C.,Lin,C.J.,2001年。LIBSVM:支持向量机库。网址:http://www.csie.ntu.edu.tw/cjlin/libsvm
[8] Cleveland,W.S.,《稳健局部加权回归和平滑散点图》,《美国统计协会杂志》,74829-836(1974)·Zbl 0423.62029号
[9] 北卡罗来纳州克里斯蒂亚尼尼。;Shawe-Taylor,J.,《支持向量机导论》(2000),剑桥大学出版社
[10] Dudoit,S。;杨永华。;速度,T.P.,Callow MJ。在重复cDNA微阵列实验中识别差异表达基因的统计方法,中国统计局,1211-140(2002)·Zbl 1004.62088号
[11] 埃克尔,J.E。;Gennigs,C。;塞尔诺,T.M。;布尔贡,L.D。;Boverhof,D.R。;Zacharewski,T.R.,双通道微阵列实验的标准化:半参数方法,生物信息学,211078-1083(2005)
[12] 艾森,M.B。;斯佩尔曼,P.T。;布朗,P.O。;Botstein,D.,全基因组表达模式的聚类分析和显示,Proc。国家。阿卡德。科学。,95, 14863-14868 (1998)
[13] Golub,T.R。;Slonim,D.K。;Tamayo,P。;华德,C。;加森贝克,M。;梅西洛夫,J.P。;科勒,H。;Loh,M.L。;唐宁,J.R。;Caligiuri,医学硕士。;哥伦比亚特区布隆菲尔德。;Lander,E.S.,《癌症的分子分类:通过基因表达监测进行分类发现和分类预测》,《科学》,286531-537(1999)
[14] Gunn,S.,1998年。用于分类和回归的支持向量机,南安普顿大学ISIS技术报告;Gunn,S.,1998年。用于分类和回归的支持向量机,ISIS技术报告,南安普顿大学
[15] Kim,J.H。;Kim,H.Y。;Lee,Y.S.,利用边缘检测从cDNA微阵列图像分析中提取信号的新方法,实验分子医学,33,83-88(2001)
[16] Kim,S.Y。;Lee,J.W。;Sohn,I.S.,在重复微阵列数据中识别差异基因表达的各种统计方法的比较,医学研究中的统计方法,15,1,3-20(2006)·兹比尔1115.62115
[17] Kim,S。;Sohn,I。;Ahn,J.-I。;Lee,K.-H。;Lee,Y.-S。;Lee,Y.S.,长期高脂肪饮食诱导肥胖小鼠模型中肝脏基因表达谱,gene,340,99-109(2004)
[18] Kim,S。;Sohn,I。;Lee,Y.-S。;Lee,Y.S.,饮食诱导肥胖小鼠中金雀异黄素的补充改变了肝脏基因表达谱,《营养学杂志》,135,33-41(2005)
[19] Koenker,R。;Bassett,G.,回归分位数,计量经济学,46,33-50(1978)·Zbl 0373.62038号
[20] Lee,J.W。;Jhun,M。;Kim,J.Y。;Lee,J.,微阵列数据归一化中窗口宽度的最佳选择,OR-spectrum,30,235-248(2008)·Zbl 1132.92007年
[21] Smola,A。;Scholkopf,B.,《基于核的模式识别、回归、近似和算子反演方法》,《算法》,22,211-231(1998)·Zbl 0910.68189号
[22] Takeuchi,I.,Furuhashi,T.,2004年。支持向量机非交叉分位数回归曲线及其有效实现。2004年国际神经网络联合会议论文集;Takeuchi,I.,Furuhashi,T.,2004年。支持向量机非交叉分位数回归曲线及其有效实现。2004年国际神经网络联合会议论文集
[23] 谷口,M。;Miura,K。;Iwao,H。;Yamanaka,S.,DNA微阵列的定量评估——与北方印迹分析的比较,基因组学,71,34-39(2001)
[24] Tusher,V.G。;Tibshirani,R。;Chu,G.,应用于电离辐射反应的微阵列显著性分析,Proc。国家。阿卡德。科学。,98, 5116-5121 (2001) ·2014年12月10日
[25] Vapnik,V.N.,《统计学习理论的本质》(1995),施普林格出版社:纽约施普林格·Zbl 0833.62008号
[26] Vapnik,V.N.,《统计学习理论》(1998),Springer:Springer New York·Zbl 0935.62007号
[27] 沃克曼,C。;Jensen,L.J。;贾默,H。;伯卡,R。;Gautier,L。;尼尔森,H.B。;Saxild,H.H。;尼尔森,C。;布鲁纳克,S。;Knudsen,S.,减少DNA微阵列实验中变异性的新非线性规范化方法,基因组生物学,3,1-16(2002)
[28] Yang,Y.H.,Dudoit,S.D.,Luu,P.,Speed,T.P.,2001年。cDNA微阵列数据的归一化,SPIE BioE;Yang,Y.H.,Dudoit,S.D.,Luu,P.,Speed,T.P.,2001年。cDNA微阵列数据的标准化,SPIE BioE
[29] Yang,Y.H。;Dudoit,S。;卢,P。;Lin,D.M。;彭,V。;Ngai,J。;Speed,T.P.,cDNA微阵列数据的标准化:一种解决单载玻片和多载玻片系统变异的稳健复合方法,核酸研究,30,4,e15(2002)
[30] 周,Y。;Gwadry,F.G。;莱因霍尔德,W.C。;米勒,L.D。;史密斯·L·H。;谢尔夫,美国。;Liu,E.T。;科恩,K.W。;Weinstein,Y.,《喜树碱诱导DNA损伤对有丝分裂基因的转录调控:剂量和时间依赖效应的微阵列分析》,《癌症研究》,621688-1695(2002)
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。