• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

对差异表达基因进行排名的统计方法。

Statistical methods for ranking differentially expressed genes.

作者信息

Broberg Per

机构信息

Molecular Sciences, AstraZeneca Research and Development Lund, S-221 87 Lund, Sweden.

出版信息

Genome Biol. 2003;4(6):R41. doi: 10.1186/gb-2003-4-6-r41. Epub 2003 May 29.

DOI:10.1186/gb-2003-4-6-r41
PMID:12801415
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC193620/
Abstract

In the analysis of microarray data the identification of differential expression is paramount. Here I outline a method for finding an optimal test statistic with which to rank genes with respect to differential expression. Tests of the method show that it allows generation of top gene lists that give few false positives and few false negatives. Estimation of the false-negative as well as the false-positive rate lies at the heart of the method.

摘要

在微阵列数据分析中，鉴别差异表达至关重要。在此，我概述一种方法，用于找到一个最优检验统计量，以便根据差异表达对基因进行排名。对该方法的测试表明，它能够生成假阳性和假阴性都很少的顶级基因列表。假阴性率和假阳性率的估计是该方法的核心所在。

https://cdn.ncbi.nlm.nih.gov/pmc/blobs/0aa3/193620/f02cb19a6f1e/gb-2003-4-6-r41-5.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/0aa3/193620/20489804675f/gb-2003-4-6-r41-2.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/0aa3/193620/fea4f2710b7c/gb-2003-4-6-r41-3.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/0aa3/193620/cbf5933ada6e/gb-2003-4-6-r41-4.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/0aa3/193620/f02cb19a6f1e/gb-2003-4-6-r41-5.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/0aa3/193620/20489804675f/gb-2003-4-6-r41-2.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/0aa3/193620/fea4f2710b7c/gb-2003-4-6-r41-3.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/0aa3/193620/cbf5933ada6e/gb-2003-4-6-r41-4.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/0aa3/193620/f02cb19a6f1e/gb-2003-4-6-r41-5.jpg

相似文献

1
Statistical methods for ranking differentially expressed genes.对差异表达基因进行排名的统计方法。
Genome Biol. 2003;4(6):R41. doi: 10.1186/gb-2003-4-6-r41. Epub 2003 May 29.
2
Normal uniform mixture differential gene expression detection for cDNA microarrays.用于cDNA微阵列的正常均匀混合物差异基因表达检测
BMC Bioinformatics. 2005 Jul 12;6:173. doi: 10.1186/1471-2105-6-173.
3
A note on using permutation-based false discovery rate estimates to compare different analysis methods for microarray data.关于使用基于排列的错误发现率估计来比较微阵列数据不同分析方法的说明。
Bioinformatics. 2005 Dec 1;21(23):4280-8. doi: 10.1093/bioinformatics/bti685. Epub 2005 Sep 27.
4
Ranking analysis for identifying differentially expressed genes.差异表达基因识别的排名分析。
Genomics. 2011 May;97(5):326-9. doi: 10.1016/j.ygeno.2011.03.002. Epub 2011 Mar 22.
5
Comparison of seven methods for producing Affymetrix expression scores based on False Discovery Rates in disease profiling data.基于疾病谱数据中错误发现率的七种生成Affymetrix表达分数方法的比较。
BMC Bioinformatics. 2005 Feb 10;6:26. doi: 10.1186/1471-2105-6-26.
6
Rank-invariant resampling based estimation of false discovery rate for analysis of small sample microarray data.基于秩不变重采样的小样本微阵列数据分析中错误发现率估计
BMC Bioinformatics. 2005 Jul 22;6:187. doi: 10.1186/1471-2105-6-187.
7
Approaches to reduce false positives and false negatives in the analysis of microarray data: applications in type 1 diabetes research.在微阵列数据分析中减少假阳性和假阴性的方法：在1型糖尿病研究中的应用
BMC Genomics. 2008 Sep 16;9 Suppl 2(Suppl 2):S12. doi: 10.1186/1471-2164-9-S2-S12.
8
Comparison of false discovery rate methods in identifying genes with differential expression.在识别差异表达基因方面错误发现率方法的比较。
Genomics. 2005 Oct;86(4):495-503. doi: 10.1016/j.ygeno.2005.06.007.
9
Ranking genes with respect to differential expression.
Genome Biol. 2002 Aug 5;3(9):preprint0007. doi: 10.1186/gb-2002-3-9-preprint0007.
10
Bayesian normalization and identification for differential gene expression data.差异基因表达数据的贝叶斯归一化与识别
J Comput Biol. 2005 May;12(4):391-406. doi: 10.1089/cmb.2005.12.391.

引用本文的文献

1
Identifying a causal link between prolactin signaling pathways and COVID-19 vaccine-induced menstrual changes.确定催乳素信号通路与新冠疫苗诱导的月经变化之间的因果联系。
NPJ Vaccines. 2023 Sep 1;8(1):129. doi: 10.1038/s41541-023-00719-6.
2
Histopathological subtyping of high-grade serous ovarian cancer using whole slide imaging.使用全切片成像技术对高级别浆液性卵巢癌进行组织病理学亚型分类。
J Gynecol Oncol. 2023 Jul;34(4):e47. doi: 10.3802/jgo.2023.34.e47. Epub 2023 Feb 10.
3
Comprehensive genomics in androgen receptor-dependent castration-resistant prostate cancer identifies an adaptation pathway mediated by opioid receptor kappa 1.

本文引用的文献

1
Exploration, normalization, and summaries of high density oligonucleotide array probe level data.高密度寡核苷酸阵列探针水平数据的探索、标准化及汇总
Biostatistics. 2003 Apr;4(2):249-64. doi: 10.1093/biostatistics/4.2.249.
2
Statistical issues in cDNA microarray data analysis.cDNA微阵列数据分析中的统计学问题。
Methods Mol Biol. 2003;224:111-36. doi: 10.1385/1-59259-364-X:111.
3
A comparative review of statistical methods for discovering differentially expressed genes in replicated microarray experiments.在重复微阵列实验中发现差异表达基因的统计方法的比较综述。
雄激素受体依赖性去势抵抗性前列腺癌的综合基因组学研究鉴定出一种由阿片受体 κ1 介导的适应途径。
Commun Biol. 2022 Apr 1;5(1):299. doi: 10.1038/s42003-022-03227-w.
4
B7-H3 Suppresses Antitumor Immunity via the CCL2-CCR2-M2 Macrophage Axis and Contributes to Ovarian Cancer Progression.B7-H3 通过 CCL2-CCR2-M2 巨噬细胞轴抑制抗肿瘤免疫并促进卵巢癌进展。
Cancer Immunol Res. 2022 Jan;10(1):56-69. doi: 10.1158/2326-6066.CIR-21-0407. Epub 2021 Nov 19.
5
Combination of gene set signatures correlates with response to nivolumab in platinum-resistant ovarian cancer.基因集特征的联合与铂耐药卵巢癌对纳武利尤单抗的反应相关。
Sci Rep. 2021 Jun 1;11(1):11427. doi: 10.1038/s41598-021-91012-w.
6
Personalized analysis of pathway aberrance induced by sevoflurane and propofol.七氟醚和丙泊酚诱导的通路失调的个性化分析。
Mol Med Rep. 2017 Oct;16(4):5312-5320. doi: 10.3892/mmr.2017.7305. Epub 2017 Aug 21.
7
Variance adaptive shrinkage (vash): flexible empirical Bayes estimation of variances.方差自适应收缩（vash）：方差的灵活经验贝叶斯估计
Bioinformatics. 2016 Nov 15;32(22):3428-3434. doi: 10.1093/bioinformatics/btw483. Epub 2016 Jul 19.
8
Comprehensive assessment of the expression of the SWI/SNF complex defines two distinct prognostic subtypes of ovarian clear cell carcinoma.对SWI/SNF复合物表达的综合评估确定了卵巢透明细胞癌的两种不同预后亚型。
Oncotarget. 2016 Aug 23;7(34):54758-54770. doi: 10.18632/oncotarget.10181.
9
Genomic profile predicts the efficacy of neoadjuvant chemotherapy for cervical cancer patients.基因组图谱可预测宫颈癌患者新辅助化疗的疗效。
BMC Cancer. 2015 Oct 19;15:739. doi: 10.1186/s12885-015-1703-1.
10
A comparison of two classes of methods for estimating false discovery rates in microarray studies.微阵列研究中两种估计错误发现率方法的比较。
Scientifica (Cairo). 2012;2012:519394. doi: 10.6064/2012/519394. Epub 2012 Jul 8.
Bioinformatics. 2002 Apr;18(4):546-54. doi: 10.1093/bioinformatics/18.4.546.
4
Adjustments and measures of differential expression for microarray data.微阵列数据差异表达的调整与测量
Bioinformatics. 2002 Feb;18(2):251-60. doi: 10.1093/bioinformatics/18.2.251.
5
A Bayesian framework for the analysis of microarray expression data: regularized t -test and statistical inferences of gene changes.用于分析微阵列表达数据的贝叶斯框架：正则化t检验与基因变化的统计推断
Bioinformatics. 2001 Jun;17(6):509-19. doi: 10.1093/bioinformatics/17.6.509.
6
On differential variability of expression ratios: improving statistical inference about gene expression changes from microarray data.关于表达比率的差异变异性：改进从微阵列数据推断基因表达变化的统计方法。
J Comput Biol. 2001;8(1):37-52. doi: 10.1089/106652701300099074.
7
Significance analysis of microarrays applied to the ionizing radiation response.应用于电离辐射反应的微阵列显著性分析。
Proc Natl Acad Sci U S A. 2001 Apr 24;98(9):5116-21. doi: 10.1073/pnas.091062498. Epub 2001 Apr 17.
8
Model-based analysis of oligonucleotide arrays: expression index computation and outlier detection.基于模型的寡核苷酸阵列分析：表达指数计算与异常值检测。
Proc Natl Acad Sci U S A. 2001 Jan 2;98(1):31-6. doi: 10.1073/pnas.98.1.31.
9
Microarray expression profiling identifies genes with altered expression in HDL-deficient mice.微阵列表达谱分析鉴定出在高密度脂蛋白缺陷小鼠中表达发生改变的基因。
Genome Res. 2000 Dec;10(12):2022-9. doi: 10.1101/gr.10.12.2022.
10
Global gene expression profiling in Escherichia coli K12. The effects of integration host factor.大肠杆菌K12中的全基因组表达谱分析。整合宿主因子的作用。
J Biol Chem. 2000 Sep 22;275(38):29672-84. doi: 10.1074/jbc.M002247200.