Consistency of predictive signature genes and classifiers generated using different microarray platforms.
Consistency of predictive signature genes and classifiers generated using different microarray platforms.
复制标题
使用不同微阵列平台生成的预测特征基因和分类器的一致性
DOI：
10.1038/tpj.2010.34
复制
发表时间：
2010-08
期刊：
影响因子：
--
通讯作者：
Tong W
中科院分区：
文献类型：
--
作者：
Fan X;Lobenhofer EK;Chen M;Shi W;Huang J;Luo J;Zhang J;Walker SJ;Chu TM;Li L;Wolfinger R;Bao W;Paules RS;Bushel PR;Li J;Shi T;Nikolskaya T;Nikolsky Y;Hong H;Deng Y;Cheng Y;Fang H;Shi L;Tong W
基于微阵列的分类器和从各种平台产生的相关特征基因在文献中有大量报道；然而，分类器和签名基因在跨平台预测应用中的效用仍然很大程度上不确定。作为MicroArray质量控制第二阶段（MAQC-II）项目的一部分，我们在本研究中通过说明：(1)从一个平台生成的分类器的特征基因可以直接应用于另一个平台来开发预测分类器，从而显示了使用大型毒物基因组学数据集的80-90%跨平台预测一致性；(2)使用一个平台生成的数据开发的分类器可以准确地预测使用不同平台分析的样本。结果表明，在跨平台应用程序中使用已发布的签名基因的潜在效用，以及在各种应用程序中采用已发布的分类器的可能性。该研究揭示了利用微阵列鉴定的生物标志物可能翻译为临床验证的非阵列基因表达分析的机会。
Microarray-based classifiers and associated signature genes generated from various platforms are abundantly reported in the literature; however, the utility of the classifiers and signature genes in cross-platform prediction applications remains largely uncertain. As part of the MicroArray Quality Control Phase II (MAQC-II) project, we show in this study 80–90% cross-platform prediction consistency using a large toxicogenomics data set by illustrating that:(1) the signature genes of a classifier generated from one platform can be directly applied to another platform to develop a predictive classifier;(2) a classifier developed using data generated from one platform can accurately predict samples that were profiled using a different platform. The results suggest the potential utility of using published signature genes in cross-platform applications and the possible adoption of the published classifiers for a variety of applications. The study reveals an opportunity for possible translation of biomarkers identified using microarrays to clinically validated non-array gene expression assays.
登录
查看更多内容
影响因子：
10.4
作者：
Tong W;Cao X;Harris S;Sun H;Fang H;Fuscoe J;Harris A;Hong H;Xie Q;Perkins R;Shi L;Casciano D
通讯作者：
Casciano D
影响因子：
46.9
作者：
Canales, Roger D.;Luo, Yuling;Goodsaid, Federico M.
通讯作者：
Goodsaid, Federico M.
影响因子：
5.8
作者：
Pan, Fei;Kamath, Kiran;Zhou, Xianghong Jasmine
通讯作者：
Zhou, Xianghong Jasmine
影响因子：
48
作者：
Bammler, T;Beyer, RP;Zarbl, H
通讯作者：
Zarbl, H
影响因子：
158.5
作者：
van de Vijver, MJ;He, YD;Bernards, R
通讯作者：
Bernards, R