A unified framework for finding differentially expressed genes from microarray experiments.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Arka planBu makale, mikroarray verilerinden diferansiyel olarak ifade edilen genleri (DEG'leri) bulmak için birleşik bir çerçeve sunar. Önerilen çerçevenin birbiriyle ilişkili üç modülü vardır: (i) gen sıralaması, ii) genlerin önem analizi ve (iii) doğrulama. İlk modül, iki gen seçim algoritması, yani a) iki yönlü kümeleme ve b) genleri sıralamak için uyarlanabilir sıralamayı birleştirir. İkinci modül, gen sıralarını bir R-testi kullanarak p-değerlerine dönüştürür ve Fisher'ın omnibus kriterini kullanarak iki p-değer setini kaynaştırır. DEG'ler FDR analizi kullanılarak seçilir. Üçüncü modül, elde edilen DEG'lerin üç kat doğrulamasını gerçekleştirir. Gen seçiminde önerilen birleşik çerçevenin sağlamlığı ilk olarak yanlış keşif oranı analizi kullanılarak gösterilmiştir. Buna ek olarak, DEG'lerin kümeleme tabanlı doğrulaması, eğitim ve test veri kümeleri üzerinde uyarlanabilir bir altuzay tabanlı kümeleme algoritması kullanılarak gerçekleştirilir. Son olarak, birleşik çerçeve kullanılarak elde edilen DEG'leri doğrulamak için projeksiyon tabanlı bir görselleştirme gerçekleştirilir.SonuçlarBirleşik çerçevenin performansı, t-istatistik, Mikroarrayların Anlam Analizi (SAM), Uyarlanabilir Sıralama, Kombine Uyarlanabilir Sıralama ve İki Yönlü Kümeleme gibi iyi bilinen sıralama algoritmaları ile karşılaştırılır. Her biri iki farklı dağılımdan sonra 50 adet simüle edilmiş mikroarray veri seti kullanılarak elde edilen performans eğrileri, birleşik çerçevenin bildirilen diğer algoritmalara üstünlüğünü göstermektedir. 3 gerçek kanser veri kümesi ve 3 Parkinson veri kümesi üzerinde yapılan daha ileri analizler performanstaki benzer iyileşmeyi göstermektedir. İlk olarak, iki örnekli kanser veri setleri için 3 kat doğrulama işlemi sağlanır. Ek olarak, Parkinson verilerinin 3 seti üzerinde analiz, önerilen yöntemin çok örnekli mikroarray veri kümelerine ölçeklenebilirliğini göstermek için gerçekleştirilir.Bu makale, iki örnekten gelen genlerin sağlam seçiminin yanı sıra çok örnekli mikroarray deneyleri için birleşik bir çerçeve sunar. Modül 1'de kullanılan iki farklı sıralama yöntemi, genlerin seçiminde çeşitlilik getirir. Safların p-değerlerine dönüştürülmesi, p-değerlerinin füzyonu ve FDR analizi, tek başına gen sıralamasına göre değerlendirilemeyen önemli genlerin tanımlanmasına yardımcı olur. 3 kat doğrulama, yani FDR analizi, kümeleme ve görselleştirme kullanarak genlerin seçiminde sağlamlık DEG'lerin alaka düzeyini gösterir. 50 yapay veri kümesi ve 6 gerçek mikroarray veri kümesi üzerindeki ampirik analizler, önerilen yaklaşımın etkinliğini göstermektedir. 3 kanser veri kümesi üzerinde yapılan analizler, iki sınıf örnekle mikroarray veri kümeleri üzerinde önerilen yaklaşımın yararını göstermektedir. Önerilen birleşik yaklaşımın çoklu örnekleme (ikiden fazla örnekleme sınıfı) mikroarray veri kümelerine ölçeklenebilirliği, Parkinson Verileri'nin üç seti kullanılarak ele alınmaktadır. Empirik analizler, birleşik çerçevenin mikroarray verilerinden diferansiyel olarak ifade edilen genleri seçmede diğer gen seçim yöntemlerinden daha iyi performans gösterdiğini göstermektedir.

Özgün kaynak özetini okuyun

BackgroundThis paper presents a unified framework for finding differentially expressed genes (DEGs) from the microarray data. The proposed framework has three interrelated modules: (i) gene ranking, ii) significance analysis of genes and (iii) validation. The first module uses two gene selection algorithms, namely, a) two-way clustering and b) combined adaptive ranking to rank the genes. The second module converts the gene ranks into p-values using an R-test and fuses the two sets of p-values using the Fisher's omnibus criterion. The DEGs are selected using the FDR analysis. The third module performs three fold validations of the obtained DEGs. The robustness of the proposed unified framework in gene selection is first illustrated using false discovery rate analysis. In addition, the clustering-based validation of the DEGs is performed by employing an adaptive subspace-based clustering algorithm on the training and the test datasets. Finally, a projection-based visualization is performed to validate the DEGs obtained using the unified framework.ResultsThe performance of the unified framework is compared with well-known ranking algorithms such as t-statistics, Significance Analysis of Microarrays (SAM), Adaptive Ranking, Combined Adaptive Ranking and Two-way Clustering. The performance curves obtained using 50 simulated microarray datasets each following two different distributions indicate the superiority of the unified framework over the other reported algorithms. Further analyses on 3 real cancer datasets and 3 Parkinson's datasets show the similar improvement in performance. First, a 3 fold validation process is provided for the two-sample cancer datasets. In addition, the analysis on 3 sets of Parkinson's data is performed to demonstrate the scalability of the proposed method to multi-sample microarray datasets.ConclusionThis paper presents a unified framework for the robust selection of genes from the two-sample as well as multi-sample microarray experiments. Two different ranking methods used in module 1 bring diversity in the selection of genes. The conversion of ranks to p-values, the fusion of p-values and FDR analysis aid in the identification of significant genes which cannot be judged based on gene ranking alone. The 3 fold validation, namely, robustness in selection of genes using FDR analysis, clustering, and visualization demonstrate the relevance of the DEGs. Empirical analyses on 50 artificial datasets and 6 real microarray datasets illustrate the efficacy of the proposed approach. The analyses on 3 cancer datasets demonstrate the utility of the proposed approach on microarray datasets with two classes of samples. The scalability of the proposed unified approach to multi-sample (more than two sample classes) microarray datasets is addressed using three sets of Parkinson's Data. Empirical analyses show that the unified framework outperformed other gene selection methods in selecting differentially expressed genes from microarray data.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.