Ein Bayesscher Rahmen für die Analyse von Microarray-Expressionsdaten: regularisierter t-Test und statistische Inferenz von Genveränderungen

MOTIVATION: DNA-Microarrays sind jetzt in der Lage, genomweite Muster der Genexpression unter vielen verschiedenen Bedingungen bereitzustellen. Die erste Analysestufe dieser Muster erfordert die Bestimmung, ob beobachtete Unterschiede in der Expression signifikant sind oder nicht. Aktuelle Methoden sind unzureichend, da es an einem systematischen Rahmen fehlt, der Rauschen, Variabilität und geringe Replikation berücksichtigt, die oft für Microarray-Daten typisch sind. ERGEBNISSE: Wir entwickeln einen bayesschen probabilistischen Rahmen für die Microarray-Datenanalyse. Auf der einfachsten Ebene modellieren wir Log-Expressionswerte durch unabhängige Normalverteilungen, parametrisiert durch entsprechende Mittelwerte und Varianzen mit hierarchischen Priorverteilungen. Wir leiten Punktschätzungen sowohl für Parameter als auch Hyperparameter her und regularisierte Ausdrücke für die Varianz jedes Gens durch Kombination der empirischen Varianz mit einer lokalen Hintergrundvarianz, die mit benachbarten Genen assoziiert ist. Ein zusätzlicher Hyperparameter, invers proportional zur Anzahl der empirischen Beobachtungen, bestimmt die Stärke der Hintergrundvarianz. Simulationen zeigen, dass diese Punktschätzungen, kombiniert mit einem t-Test, einen systematischen Inferenzansatz bieten, der mit einfachen t-Tests oder Faltmethode gut vergleichbar ist und teilweise die fehlende Replikation kompensiert.