Increasing consistency of disease biomarker prediction across datasets.

Araştırma özeti

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

İnsan deneklerle yapılan mikroarray çalışmaları genellikle hastalıkla ilişkili güvenilir biyobelirteçleri tespit etme yeteneğini engelleyen ve çalışmalar boyunca veri toplama ihtiyacını motive eden sınırlı örnek boyutlarına sahiptir. Bununla birlikte, insan gen ekspresyonu ölçümleri genetik, örnek preparatlar ve doku heterojenliği gibi birçok rastgele olmayan faktörden etkilenebilir. Bu faktörler, ilgili çalışmalar arasında anlaşma eksikliğine katkıda bulunabilir ve toplamalarının yararını sınırlayabilir. Bu tür 'geçerli değişkenlerin' etkisini azaltmak için (değişkenlerin önceden bilinmesi gerekmeksizin) bireysel veri kümelerinin otomatik olarak düzeltilmesinin mümkün olduğunu, aynı koşulu ele alan veri kümelerinin her biri düzeltildikten sonra daha iyi bir anlaşma göstereceğini gösteriyoruz. Yaklaşımımızı taşıyıcı değişken analizi yöntemi üzerine kuruyoruz, ancak orijinal algoritmanın farklı hücre tiplerinin karışımları olan insan doku örneklerinin analizi için uygun olmadığını gösteriyoruz. SVA'ya gözlemlediğimiz anlaşmada iyileştirmeyi elde etmek için çok önemli bir değişiklik yapmayı teklif ediyoruz. Metodumuzu multipl skleroz verilerinin bir özeti üzerinde geliştiririz ve Parkinson hastalığı veri kümelerinin bağımsız bir özeti üzerinde doğrularız. Her iki durumda da, yöntemimizin farklı çalışma tasarımları, platformlar ve dokular arasında anlaşmayı iyileştirebildiğini gösteriyoruz. Bu yaklaşım, çalışma arası anlaşma eksikliğinin endişe konusu olduğu herhangi bir alana geniş uygulanabilirlik potansiyeline sahiptir.

Özgün kaynak özetini okuyun

Microarray studies with human subjects often have limited sample sizes which hampers the ability to detect reliable biomarkers associated with disease and motivates the need to aggregate data across studies. However, human gene expression measurements may be influenced by many non-random factors such as genetics, sample preparations, and tissue heterogeneity. These factors can contribute to a lack of agreement among related studies, limiting the utility of their aggregation. We show that it is feasible to carry out an automatic correction of individual datasets to reduce the effect of such 'latent variables' (without prior knowledge of the variables) in such a way that datasets addressing the same condition show better agreement once each is corrected. We build our approach on the method of surrogate variable analysis but we demonstrate that the original algorithm is unsuitable for the analysis of human tissue samples that are mixtures of different cell types. We propose a modification to SVA that is crucial to obtaining the improvement in agreement that we observe. We develop our method on a compendium of multiple sclerosis data and verify it on an independent compendium of Parkinson's disease datasets. In both cases, we show that our method is able to improve agreement across varying study designs, platforms, and tissues. This approach has the potential for wide applicability to any field where lack of inter-study agreement has been a concern.

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.