MetaNorm: incorporating meta-analytic priors into normalization of NanoString nCounter data.
MetaNorm: incorporating meta-analytic priors into normalization of NanoString nCounter data.
复制标题
DOI：
10.1093/bioinformatics/btae024
复制
发表时间：
2024-01-02
期刊：
影响因子：
--
通讯作者：
中科院分区：
文献类型：
--
作者：
在贝叶斯数据分析中，为了保持客观性，广泛使用非信息性或弥散先验分布。然而，当有意义的先验信息存在并且可以识别时，使用信息性先验分布来准确地反映当前知识可能会导致更好的结果和更高的效率。我们提出了一种贝叶斯算法MetaNorm，用于归一化NanoStringnCounter基因表达数据。MetaNorm基于RCRNorm，这是一种在一系列集成的分层模型下设计的强大方法，允许通过计数器系统中的不同类型的探头来解释各种误差源。然而，缺乏准确的先验信息，计算效率较低，以及有时发生的估计不稳定，削弱了该方法，尽管它的性能令人印象深刻。MetaNorm使用从严格的荟萃分析中精心构建的前科，以利用来自大型公共数据的信息。结合额外的算法增强，MetaNorm通过产生更稳定的归一化值估计、更好的收敛诊断和更高的计算效率来改进RCRNorm。R复制荟萃分析和归一化函数的代码可在githorb.com/jbarth216/MetaNorm上找到。
Non-informative or diffuse prior distributions are widely employed in Bayesian data analysis to maintain objectivity. However, when meaningful prior information exists and can be identified, using an informative prior distribution to accurately reflect current knowledge may lead to superior outcomes and great efficiency. We propose MetaNorm, a Bayesian algorithm for normalizing NanoString nCounter gene expression data. MetaNorm is based on RCRnorm, a powerful method designed under an integrated series of hierarchical models that allow various sources of error to be explained by different types of probes in the nCounter system. However, a lack of accurate prior information, weak computational efficiency, and instability of estimates that sometimes occur weakens the approach despite its impressive performance. MetaNorm employs priors carefully constructed from a rigorous meta-analysis to leverage information from large public data. Combined with additional algorithmic enhancements, MetaNorm improves RCRnorm by yielding more stable estimation of normalized values, better convergence diagnostics and superior computational efficiency. R Code for replicating the meta-analysis and the normalization function can be found at github.com/jbarth216/MetaNorm.
登录
查看更多内容
影响因子：
46.9
作者：
Risso, Davide;Ngai, John;Speed, Terence P.;Dudoit, Sandrine
通讯作者：
Dudoit, Sandrine
影响因子：
3.7
作者：
Walter RF;Werner R;Vollbrecht C;Hager T;Flom E;Christoph DC;Schmeller J;Schmid KW;Wohlschlaeger J;Mairinger FD
通讯作者：
Mairinger FD
DOI：
10.1093/bioinformatics/bts188
发表时间：
2012-06-01
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Waggott D;Chu K;Yin S;Wouters BG;Liu FF;Boutros PC
通讯作者：
Boutros PC
影响因子：
3.7
作者：
Chen X;Deane NG;Lewis KB;Li J;Zhu J;Washington MK;Beauchamp RD
通讯作者：
Beauchamp RD
影响因子：
46.9
作者：
Geiss, Gary K.;Bumgarner, Roger E.;Hood, Leroy
通讯作者：
Hood, Leroy