Statistické metody v analýze dat z DNA mikročipů

PAVLÍK, Tomáš a Jiří JARKOVSKÝ. Statistické metody v analýze dat z DNA mikročipů. Klinická onkologie, Supplementum. BRNO: ApS BRNO, spol. s r. o. ISSN 0862-495X. 2006.

Základní údaje

• Originální název: Statistické metody v analýze dat z DNA mikročipů
• Název anglicky: Statistical methods for analysing gene expression microarray data
• Autoři: PAVLÍK, Tomáš a Jiří JARKOVSKÝ.
• Vydání: Klinická onkologie, Supplementum, BRNO, ApS BRNO, spol. s r. o, 2006, 0862-495X.

Další údaje

• Typ výsledku: Článek v odborném periodiku
• Utajení: není předmětem státního či obchodního tajemství
• Organizační jednotka: Přírodovědecká fakulta
• Klíčová slova anglicky: gene expression microarrays, statistical analysis, clustering, testing for differential expression, classification techniques
• Příznaky: Recenzováno

Anotace

Mohutný rozvoj molekulárně biologických metod v posledních deseti letech je charakterizován produkcí velkého množství dat. Nejinak je tomu i v případě technologie DNA mikročipů, která umožňuje v jednom experimentu sledovat expresi desítek tisíc genů najednou. Kvantum získaných experimentálních dat je však pro relevantní medicínské závěry nutné vhodně analyzovat a interpretovat. Tento článek je věnován statistickým metodám, které lze pro hodnocení dat získaných z DNA mikročipů použít. Tyto metody lze rozdělit do tří velkých skupin: shlukovací metody, metody pro identifikaci rozdílně exprimovaných genů a klasifikační metody. Shlukovací metody slouží k nalezení homogenních skupin pacientů s podobným expresním profilem nebo skupin genů s podobným chováním, metody pro identifikaci rozdílně exprimovaných genů hledají geny specifické svojí aktivitou pro určitou biologickou tkáň, zatímco klasifikační metody slouží k nalezení diskriminačního pravidla pro přesnou diagnostiku nových pacientů do jedné z definovaných skupin.

Anotace anglicky

Last decade led to massive progress in the molecular biology methods which was accompanied by the production of large amount of data. This is also the case of the gene expression microarray technology that makes it feasible to study thousands of genes simultaneously. However, for relevant medical inference there is the need for appropriate evaluation and interpretation of this large quantity of experimental data. This paper is dedicated to statistical methods that can be used for the evaluation of gene expression data. These methods can be split into three main categories: clustering methods, methods for identification of differentially expressed genes and classification techniques. Clustering methods can be used for finding of homogenous groups of patients or genes with similar expression profile, methods for identification of differentially expressed genes find genes specific for activity of certain biological tissue while classification techniques are used for setting up a discrimination rule for precise diagnostics of newly diagnosed patients to one of the previously defined classes.