MétaCan
Menu
Retour à la cohorte
Enregistrement W4406687472 · doi:10.6000/1929-6029.2025.14.01

Multiple Mean Comparison for Clusters of Gene Expression Data through the t-SNE Plot and PCA Dimension Reduction

2025· article· en· W4406687472 sur OpenAlexvenueno aff
Yiwen Cao, Jiajuan Liang

Notice bibliographique

RevueInternational Journal of Statistics in Medical Research · 2025
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGene expression and cancer classification
Établissements canadiensnon disponible
Organismes subventionnairesHong Kong Baptist University
Mots-clésDimensionality reductionDimension (graph theory)Plot (graphics)Reduction (mathematics)Expression (computer science)MathematicsPattern recognition (psychology)StatisticsBiologyArtificial intelligenceComputer scienceCombinatoricsGeometry

Résumé

récupéré en direct d'OpenAlex

This paper introduces a novel methodology for multiple mean comparison of clusters identified in gene expression data through the t-distributed Stochastic Neighbor Embedding (t-SNE) plot, which is a powerful dimensionality re- duction technique for visualizing high-dimensional gene expression data. Our approach integrates the t-SNE visualization with rigorous statistical testing to validate the differences between identified clusters, bridging the gap between exploratory and confirmatory data analysis. We applied our methodology to two real-world gene expression datasets for which the t-SNE plots provided clear separation of clusters corresponding to different expression levels. Our findings underscore the value of combining the t-SNE visualization with multiple mean comparison in gene expression analysis. This integrated approach enhances the interpretability of complex data and provides a robust statistical framework for validating observed patterns. While the classical MANOVA method can be applied to the same multiple mean comparison, it requires a larger total sample size than the data dimension and mostly relies on an asymptotic null distribution. The proposed approach in this paper has broad applicability in the case of high dimension with small sample sizes and an exact null distribution of the test statistic. Objective: Propose a two-step approach to analysis of gene expression data. Gene expression data usually possess a complicated nonlinear structure that cannot be visualized under simple linear dimension reduction like the principal component analysis (PCA) method. We propose to employ the existing t-SNE approach to dimension reduction first so that clusters among data can be clearly visualized and then multiple mean comparison methods can be further employed to carry out statistical inference. We propose the PCA-type projected exact F-test for multiple mean comparison among the clusters. It is superior to the classical MANOVA method in the case of high dimension and relatively large number of clusters. Results: Based on a simple Monte Carlo study on a comparison between the projected F-test and the classical MANOVA Wilks’ Lambda-test and an illustration of two real datasets, we show that the projected F-test has better empirical power performance than the classical Wilks’ Lambda-test. After applying the t-SNE plot to real gene expression data, one can visualize the clear cluster structure. The projected F-test further enhances the interpretability of the t-SNE plot, validating the significant differences among the visualized clusters. Conclusion: Our findings suggest that the combination of the t-SNE visualization and multiple mean comparison through the PCA-projected exact F-test is a valuable tool for gene expression analysis. It not only enhances the interpretability of high-dimensional data but also provides a rigorous statistical framework for validating the observed patterns.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,021
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0050,003
Études des sciences et des technologies0,0010,002
Communication savante0,0030,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,114
Tête enseignante GPT0,479
Écart entre enseignants0,365 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Statistics in Medical ResearchMême sujetGene expression and cancer classificationTravaux en français237 207