Probe-specific mixed-model approach to detect copy number differences using multiplex ligation-dependent probe amplification (MLPA).
Probe-specific mixed-model approach to detect copy number differences using multiplex ligation-dependent probe amplification (MLPA).
复制标题
探针特异性混合模型方法使用多重连接依赖性探针扩增（MLPA）检测拷贝数差异。
DOI：
10.1186/1471-2105-9-261
复制
发表时间：
2008-06-04
影响因子：
3
通讯作者：
Estivill, Xavier
中科院分区：
文献类型：
--
作者：
Gonzalez, Juan R.;Carrasco, Josep L.;Armengol, Lluis;Villatoro, Sergi;Jover, Lluis;Yasui, Yutaka;Estivill, Xavier
MLPA方法是一种潜在的有用的半定量方法来检测靶区域中的拷贝数改变。在本文中，我们提出了一种方法的归一化过程的基础上的非线性混合模型，以及一种新的方法来确定改变探针的统计显著性的基础上的线性混合模型。该方法通过使用不同的容许区间来建立阈值，该容许区间适应在每个测试样品中观察到的特定随机误差变异性。通过仿真研究，我们已经表明，我们提出的方法优于两个现有的方法，是基于简单的阈值规则或迭代回归。我们已经使用受控MLPA测定说明了该方法，其中靶向区域在患有不同疾病（如Prader-Willi、DiGeorge或自闭症）的个体中的拷贝数是可变的，显示出最佳性能。使用所提出的混合模型，我们能够确定阈值来决定区域是否被改变。这些阈值对每个个体都是特异性的，结合了实验变异性，导致灵敏度和特异性的提高，正如真实的数据的例子所揭示的那样。
MLPA method is a potentially useful semi-quantitative method to detect copy number alterations in targeted regions. In this paper, we propose a method for the normalization procedure based on a non-linear mixed-model, as well as a new approach for determining the statistical significance of altered probes based on linear mixed-model. This method establishes a threshold by using different tolerance intervals that accommodates the specific random error variability observed in each test sample. Through simulation studies we have shown that our proposed method outperforms two existing methods that are based on simple threshold rules or iterative regression. We have illustrated the method using a controlled MLPA assay in which targeted regions are variable in copy number in individuals suffering from different disorders such as Prader-Willi, DiGeorge or Autism showing the best performace. Using the proposed mixed-model, we are able to determine thresholds to decide whether a region is altered. These threholds are specific for each individual, incorporating experimental variability, resulting in improved sensitivity and specificity as the examples with real data have revealed.
登录
查看更多内容
影响因子：
2.9
作者：
Gerdes, T;Kirchhoff, M;Bryndorf, T
通讯作者：
Bryndorf, T
影响因子：
8.8
作者：
Huang, Chien-Hao;Chang, Yih-Yuan;Ko, Tsang-Ming
通讯作者：
Ko, Tsang-Ming
影响因子：
2.8
作者：
Lai, KKS;Lo, IFM;Lam, STS
通讯作者：
Lam, STS
影响因子：
30.8
作者：
Iafrate, AJ;Feuk, L;Lee, C
通讯作者：
Lee, C
影响因子：
56.9
作者：
Sebat, J;Lakshmi, B;Wigler, M
通讯作者：
Wigler, M