A Multivariate Growth Curve Model for Ranking Genes in Replicated Time Course Microarray Data
Notice bibliographique
Résumé
Gene ranking problem in time course microarray experiments is challenging since gene expression levels between different time points are correlated. This is because, expression values at successive time points are usually taken from the same organism, tissue or culture. Moreover, time dependency of gene expression values is usually of interest and often is the biological problem that motivates the experiment. We propose a multivariate growth curve model for ranking genes and estimating mean gene expression profiles in replicated time course microarray data. The approach takes the within individual correlation as well as the temporal ordering into consideration. Moreover, time is incorporated as a continuous variable in the model to account for the temporal pattern. Polynomial profiles are assumed to describe the time dependence and a transformation incorporating information across the genes is used. A moderated likelihood ratio test is then applied to the transformed data to get a statistic for ranking genes according to the difference in expression profiles among biological groups. The methodology is presented in a general setup and could be used for one sample as well as more than one sample problem. The estimation is done in a multivariate framework in which information from all the groups involved is used for better inference. Moreover, the within individual correlation as well as information across genes entered in the estimation through a moderated covariance matrix. We assess the performance of our method using simulation studies and illustrate the results with publicly available real time course microarray data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».