Network-based empirical Bayes methods for linear models with applications to genomic data.
Network-based empirical Bayes methods for linear models with applications to genomic data.
复制标题
DOI：
10.1080/10543400903572712
复制
发表时间：
2010-03
影响因子：
1.1
通讯作者：
Li H
中科院分区：
文献类型：
--
作者：
Li C;Wei Z;Li H
经验贝叶斯方法被广泛应用于微阵列基因表达数据的分析，以确定差异表达的基因或与其他一般表型相关的基因。现有的方法通常假设基因是独立的。然而，基因被认为是相互作用的，并形成影响表型的分子模块。为了解释基因之间的调控相关性，本文提出了一种基于网络的经验贝叶斯方法，用于在线性模型框架下分析基因组数据，其中基因之间的相关性由定义在预先定义的生物网络上的离散马尔可夫随机场来建模。该方法为将已知的生物网络信息集成到基因组数据的分析中提供了统计框架。我们提出了一种迭代条件模式算法，用于参数估计和使用Gibbs抽样估计后验概率。我们通过对人脑老化微阵列基因表达数据集的模拟和分析，展示了所提出的方法的应用。
Empirical Bayes methods are widely used in the analysis of microarray gene expression data in order to identify the differentially expressed genes or genes that are associated with other general phenotypes. Available methods often assume that genes are independent. However, genes are expected to function interactively and to form molecular modules to affect the phenotypes. In order to account for regulatory dependency among genes, we propose in this paper a network-based empirical Bayes method for analyzing genomic data in the framework of linear models, where the dependency of genes is modeled by a discrete Markov random field defined on a pre-defined biological network. This method provides a statistical framework for integrating the known biological network information into the analysis of genomic data. We present an iterated conditional mode algorithm for parameter estimation and for estimating the posterior probabilities using Gibbs sampling. We demonstrate the application of the proposed methods using simulations and analysis of a human brain aging microarray gene expression data set.
登录
查看更多内容
影响因子：
5.8
作者：
Wei, Zhi;Li, Hongzhe
通讯作者：
Li, Hongzhe
影响因子：
56.9
作者：
Milo, R;Shen-Orr, S;Alon, U
通讯作者：
Alon, U
影响因子：
1.8
作者：
Wei, Zhi;Li, Hongzhe
通讯作者：
Li, Hongzhe
影响因子：
5.8
作者：
Li, Caiyan;Li, Hongzhe
通讯作者：
Li, Hongzhe
影响因子：
2.1
作者：
Irizarry, RA;Hobbs, B;Speed, TP
通讯作者：
Speed, TP