首页 > 文献资料
-
基于错误发现率的不均衡报告信号检测及其R语言实现
常用的疫苗不良反应信号检测方法存在阈值确定比较武断、多重性等问题,导致信号检测的准确性降低.本文介绍了多重性问题对信号检测准确性的影响,揭示了基于错误发现率(False Discovery Rate,FDR)控制方法可解决信号检测中的多重性问题.基于FDR的信号检测方法,在提高了检测信号生成数量同时控制了生成信号中的错误数量.用R语言实现了基于FDR控制的疑似预防接种异常反应(Adverse Events Following Immunization,AEFI)的信号检测.
-
基于阳性结果错误率控制的药品不良反应信号检测方法
常用的药品不良反应信号检测方法均是基于不相称测定理论,这些方法在信号检测过程中发挥了重要的作用。然而目前的信号检测过程存在一些缺陷,如多重性问题等,导致信号检测的准确性降低。通过介绍多重性问题对信号检测准确性的影响,和目前解决该问题的常用方法,如阳性结果错误率(false discovery rate, FDR)方法等。
-
基于置换重抽样的多重检验和错误发现率估计
微阵列( microarray)技术用含有DNA或者蛋白质序列的微小玻璃芯片取代了传统生物医学中的凝胶、滤器和纯化柱,使科学家们能够在基因组规模上对成千上万的基因表达水平进行快速和定量的检测[1].微阵列技术给科学家们提供了一种从没有过的方式去进行医学实践,将微阵列数据信息和疾病相整合,科学家们能够更加准确和全面地认识疾病,为临床治疗提供分子基础.微阵列差别表达分析中往往需要同时检验数以千计的基因表达水平是否与不同条件状况之间存在关联,由此就很自然地涉及到了多重假设检验的问题.由于特殊的分析目的和多重假设所带来的多重性问题,经典的多重检验错误控制指标如总体错误率(family-wise error rate,FWER)并不适合于微阵列数据分析[2].
-
贝叶斯错误发现率
目的 研究多重假设检验中错误发现率的贝叶斯解释和经验贝叶斯估计.方法 建立前列腺癌微阵列数据的贝叶斯模型,采用经验的方法估计z值的分布函数和应用Poisson回归方法估计z值的边际密度,然后经验估计贝叶斯错误发现率和局部错误发现率.结果 以(-∞,-3]作为拒绝域时错误发现率的经验贝叶斯估计值为0.167,局部错误发现率在0.20以下的基因有58个.结论 可从贝叶斯统计的角度解释错误发现率,在高维数据中能够经验地估计错误发现率.
-
微阵列数据分析和错误发现率
目的:介绍微阵列数据的差异表达分析和基于错误发现率的多重假设检验.方法:通过t检验对一个关于前列腺癌的微阵列数据进行基因差异表达分析,采用BH程序进行错误发现率的控制和经验估计.结果:当错误发现率为0.05时通过BH程序得到21个差异表达基因;当以|t|≥3作为拒绝域时,得到105个基因,对应的错误发现率估计值为0.20.结论:相对传统的总体错误率,错误发现率更加适合于微阵列这种高维数据多重比较的错误控制;而且能同时控制或估计错误发现率.
-
错误发现率及其扩展和应用
目的:介绍多重假设检验中的错误发现率控制和在此基础上发展起来的q值和局部错误发现率.方法:将Benjamini和Hochberg(BH)控制程序、q值和局部错误发现率应用于一个前列腺癌微阵列数据的基因差别表达分析,控制和估计错误发现率.结果:当错误发现率为0.10时通过BH程序得到60个差别表达基因,q值小于0.10的有74个基因,局部错误发现率小于0.10的有31个基因.结论:高维数据多重假设检验中能同时控制或估计错误发现率,BH控制程序、q值和局部错误发现率的联合应用能提供更多的信息.
-
错误发现率和q值及其微阵列数据分析的应用
目的 介绍微阵列数据多重假设检验中错误率的控制方法.方法 采用错误发现率和q值控制微阵列数据差别表达分析中的错误发现.结果 将错误发现率和q值应用到一个白血病微阵列数据差别表达分析中,分别识别出1 201个和1 494个差别表达基因.结论 相对传统的总体错误率,错误发现率更加适合于微阵列这种高维数据多重比较的错误控制;由于考虑了零假设信息,q值比错误发现率的效率更高.