多重检验技术及其在微阵列数据分析中的应用

发布时间：2017-11-19 22:00

  本文关键词：多重检验技术及其在微阵列数据分析中的应用

  更多相关文章： 多重检验 FDR p值调整 正确原假设比例 微阵列

【摘要】：多重检验是数据统计学分析的一种重要手段,其在生物信息学、基因组学等方面有着大量的应用。本文探讨多重检验技术中错误发现率控制及正确原假设比例估计两类问题,并且将它们用于微阵列数据差异基因的筛选。本文首先在给出多重检验相关理论的基础上,指出在多重检验中最重要的是控制犯第一类错误的概率,这一类问题主要通过控制FWER和FDR两个测度来解决。FWER作为传统的控制方法过于保守,BenjanimiHochberg(1995)提出的FDR标准缓解了FWER取值过于严格的问题,并且在检验两个总体是否具有明显差异的问题上更具优势。本文对四类能有效控制FDR的算法进行深入研究,以控制FWER的Bonferroni算法作为其他算法比较的基准,使用模拟数据对各种控制算法进行比较,并且对原始p值进行优化调整,在新的p值集合下比较每种错误率控制方法的功效大小。模拟结果显示q值方法可以在很好的控制FDR的同时保持最高的检验功效。正确又有效的估计原假设比例m0是多重检验中的一项重要任务,本文通过模拟实验比较了几种主要的正确原假设比例m0估计方法,并且对JiangDoerge(2008)提出的均值法提出改进,用三次样条法取代原来的bootstrap法来划分估计区间,进行模拟实验。结果表明同比李伟(2014)的样条平滑估计方法,本文提出的方法能够更为准确地估计m0。再者,本文使用Hendenfalk(2001)报告的乳腺癌数据以及Feng Pan,Tie-Lin Yang.et al(2009)文中的B细胞数据进行实验,将上述几种估计方法用于微阵列数据的基因筛选,与HochbergBenjamini(2000),StoreyTibshirani(2002)以及Langaas,M.et al.提出的减密度算法(2005)相比,本文方法能够找到更多的基因,或者在找到相同有效差异基因的情况下,寻找到的总基因数目更少。而且本文改进的均值估计法和李伟的算法的功效不相上下,检测出的差异基因也相同,这就证明了改进方法估计正确原假设比例的有效性。
【学位授予单位】：华东交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：O213

【相似文献】

中国期刊全文数据库 前10条

1 王晓东;齐颖新;姜宗来;;一种从稳态微阵列数据构建转录调控网络的条件三元互信息新方法[J];医用生物力学;2009年S1期

2 王明怡,夏顺仁,陈作舟;基于微阵列数据的基因网络预测方法研究进展[J];生物物理学报;2005年01期

3 曹文君;陈长生;徐勇勇;李运明;谭志军;;基于蒙特卡洛模拟分析不同基因集方法的效能[J];现代生物医学进展;2010年10期

4 陈磊;刘毅慧;;基于CART算法的肺癌微阵列数据的分类[J];生物信息学;2011年03期

5 李建更;高志坤;阮晓钢;;基于随机森林的胃癌微阵列数据基因通路分析[J];生物学杂志;2010年02期

6 徐丹;徐明;左欣;;集成SVM在微阵列数据分析中的应用[J];计算机与现代化;2011年05期

7 刘军万;李舟军;陈义明;刘飞飞;;微阵列数据的多目标免疫优化双聚类[J];生物信息学;2009年03期

8 张纪刚;张勤;殷宗俊;;cDNA微阵列的标准化方法研究[J];农业生物技术学报;2006年03期

9 孔薇;宋红胜;;基于EFICA的AD微阵列数据基因网络分析[J];安徽大学学报(自然科学版);2012年04期

10 ;[J];;年期

中国重要会议论文全文数据库 前2条

1 刘淑红;吕艺;吴燕;刘红;周宗亮;孙长凯;范明;;一种准确高效分析cDNA微阵列数据的方法[A];第九届中国体视学与图像分析学术会议论文集[C];2001年

2 赵宇海;印莹;王国仁;许光宇;;挖掘微阵列数据集中的最大局部保守基因聚类[A];第二十三届中国数据库学术会议论文集（研究报告篇）[C];2006年

中国博士学位论文全文数据库 前5条

1 张纪刚;cDNA微阵列数据的非转化分析方法[D];中国农业大学;2005年

2 黄伟;微阵列数据分析中的统计学方法[D];东北师范大学;2012年

3 何侃;微阵列数据的元分析及其在猪重要经济性状遗传机制研究中的应用[D];上海交通大学;2012年

4 祁云嵩;微阵列数据分析中的基因选择及样本分类方法研究[D];南京理工大学;2011年

5 肖静;基于表型以及微阵列数据的基因（型）分类技术研究[D];扬州大学;2007年

中国硕士学位论文全文数据库 前10条

1 陈昊;多重检验技术及其在微阵列数据分析中的应用[D];华东交通大学;2016年

2 李源;基于微阵列数据的诊断基因模式发现技术研究[D];东北大学;2011年

3 黄紫成;基于降维的微阵列数据分析[D];福建农林大学;2011年

4 顾亮;基于序投影距离的微阵列数据诊断基因模式发现技术研究[D];东北大学;2012年

5 李勃;基于R语言的DNA微阵列数据分析与挖掘平台的构建[D];重庆大学;2013年

6 陈磊;基于小波和CART算法的微阵列数据分类[D];山东轻工业学院;2011年

7 廖晨;基于机器学习的DNA微阵列数据分析[D];湖南大学;2008年

8 王文俊;基于关系的DNA微阵列数据聚类分析[D];西安电子科技大学;2006年

9 李菲;基于filter和ICA的LDA算法在微阵列数据中的应用[D];西安电子科技大学;2013年

10 黄丹凤;基因微阵列数据特征选择与分类方法研究[D];江苏科技大学;2012年

，

本文编号：1205015