簡易檢索 / 詳目顯示

研究生: 邱怡雯
Yi-Wen Chiu
論文名稱: 在無假設模型下微陣列實驗之顯著性分析
Nonparametric Significance Analysis of Microarrays
指導教授: 許文郁
Wun-Yi Shu
口試委員:
學位類別: 碩士
Master
系所名稱: 理學院 - 統計學研究所
Institute of Statistics
論文出版年: 2006
畢業學年度: 94
語文別: 中文
論文頁數: 36
中文關鍵詞: 在無假設模基下微陣列實驗之顯著性分析多重假設檢定顯著性分析方法對數比模型
相關次數: 點閱:3下載:0
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報
  • cDNA 微陣列技術是近年來發展出來的生物技術,它最大的突破是可以同時檢測上萬個基因表現。cDNA 微陣列實驗過程非常的繁複,實驗結果產生的大量數據,需要應用統計方法,有系統地為實驗者帶來有用的生物資訊。本論文主要工作是cDNA 微陣列實驗結果的數據分析,特別著重於基因變異度的顯著性分析。
    現今,cDNA 微陣列實驗數據的統計模型,大都假設母體服從常態分配(Normal),可是觀察大部分cDNA微陣列實驗數據圖,發現資料的散佈與常態不符,與母體原本的分配假設有差異。因此,本文提出一種從實驗設計上來解決問題的方法,在實驗中放置兩個完全相同的樣本,利用這兩樣本的實驗數據,來製造虛無假設下檢定統計量的分佈,並以這個分佈來進行顯著性分析。
    本文的最後以清華大學生醫工程與環境科學研究所,分子生醫光電實驗室(Molecular BioPhotonic Laboratory,MBPL )提供的實驗數據,實際套用本文提出之顯著性分析,同時比較有母體分配假設之顯著性分析,觀察兩個不同方法的差異。


    第一章 緒論-----------------------------------------------1 1-1 微陣列實驗中現有的顯著性分析方法-----------------------1 1-2 本篇論文所運用的顯著性分析-----------------------------4 第二章 cDNA 微陣列實驗------------------------------------6 2-1 微陣列實驗的數學模型-----------------------------------6 2-2 cDNA微陣列實驗的圖式-----------------------------------9 2-3 本論文所提出之假設檢定--------------------------------10 第三章 多重假設檢定---------------------------------------12 3-1 變數簡介----------------------------------------------12 3-2監控FDR與FWER的步驟------------------------------------14 第四章 基因變異度分析------------------------------------18 4-1 實驗問題簡介------------------------------------------18 4-2 模型分配假設所遇到的問題------------------------------19 4-3 母體分配與檢定統計量的修正----------------------------22 第五章 模擬-----------------------------------------------25 5-1模擬設置-----------------------------------------------25 5-2顯著性分析的方法與比較量-------------------------------25 5-3 模擬數據與結果----------------------------------------26 第六章 實例-----------------------------------------------28 6-1 資料的篩選--------------------------------------------28 6-2 基因變異度分析----------------------------------------28 第七章 結論與後續研究-------------------------------------34 參考文獻--------------------------------------------------35

    Anderson T.W. (2003), An Introduction to Multivariate Statistical Analysis , Wiley-interscience, pp.78-79, pp.176-177.
    Baldi P. , Long A.D. (2001), “A Bayesian framework for the analysis of microarray expression data : regularized t-test and statistical inferences of gene changes”, Bioinformatics 17, pp.509-519.
    Benjamini Y. and Hochberg Y. (1995), “Controlling the False Discovery Rate:A Practical and Powerful Approach to Multiple Testing”, J. R. Statist. Soc. B, Vol.57, No. 1, pp.289-300.
    Cui X. and Churchill G. A. (2003), “Statistical tests for differential expression in cDNA microarray experiments”, Genome Biology, Volume 4, Issue 4, Article 210.1-210.10.
    Holm S. (1979), “A simple sequentially rejective multiple test procedure”, Scand. J. Statist. 6, pp.65-70.
    Ideker T., Thorsson V., Siegel A.F. and Hood L.E. (2000), “Testing for Differentially- Expressed Genes by Maximum-Likelihood Analysis of Microarray Data”,Journal of Computational Biology,Volume 7, p805-817
    Kerr M.K. ,Churchill G.A. (2001), “Statistical design and the analysis of gene expression microarray data”, Genet. Res. 77,pp.123-128.
    Ross S. M. (2003), Introduction to Probability Models, Academic Press, pp.644-649.
    Speed T. (2003), Statistical Analysis Of Gene Expression Microarray Data, Chapman & Hall/Cpc, pp.35-79.
    Schena M., Shalon D., Heller R., Chai A., Brown P.O., Davis R.W. (1996), “Parallel human genome analysis:microarray-based expression monitoring of 1000 genes”,Proc Natl Acad Sci USA,93:10614-10619.

    Tusher V.G. , Tibshirani R. , Chu G. (2001), “Significance analysis of microarrays applied to the ionizing radiation response ”, Proc. Natl. Acad. Sci. USA 98 , pp.5116-5121.
    王陽照 (2003), cDNA微陣列的實驗設計與數據分析,國立清華大學統計學研究所
    碩士論文。

    無法下載圖示 全文公開日期 本全文未授權公開 (校內網路)
    全文公開日期 本全文未授權公開 (校外網路)

    QR CODE