权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Verbesserte prognostische Signaturen aus Microarray-Studien durch Auswahl von Genen mit charakteristischen Verteilungen

通过选择具有特征分布的基因，改善微阵列研究的预后特征

基本信息

批准号：
195111687
负责人：
Professor Dr. Jörg Rahnenführer
金额：
--
依托单位：
Lehrstuhl Statistische Methoden in der Genetik und Chemometrie
依托单位国家：
德国
项目类别：
Research Grants
财政年份：
2011
资助国家：
德国
起止时间：
2010-12-31 至 2018-12-31
项目状态：
已结题

来源：
https://gepris.dfg.de/gepris/projekt/195111687?language=en
关键词：
Verbesserte prognostische Signaturen aus Microarray

项目摘要

In diesem Projekt werden Methoden zur verbesserten Auswahl von Genen für prognostische Gensignaturen entwickelt. Mit Microarray-Experimenten wird die Aktivität zehntausender Gene gleichzeitig gemessen. Für viele Patientenkollektive werden einzelne Gene oder Linearkombinationen von Genen als stetige Variablen auf ihren signifikanten Einfluss auf (krankheitsfreie) Überlebenszeiten getestet. Wir entwickeln neue statistische Methoden, mit denen biologisch plausible Kandidatengene gefunden und sinnvoll kombiniert werden können. Insbesondere Gene mit multimodaler Expressionswertverteilung haben großes Potential als prognostische Marker, da eine robuste Klassifikation der Patienten direkt anhand einer diskreten Klasseneinteilung der Expressionswerte erfolgen kann. Die Kombination mehrerer solcher Gene verspricht die Aufteilung eines Patientenkollektivs in prognostische Subgruppen mit gleichzeitig klaren Entscheidungsgrenzen, biologischer Interpretierbarkeit und hoher Klassifikationsgüte. Im ersten Schritt werden zur Identifizierung der Kandidatengene geeignete Bewertungsfunktionen und Maßzahlen für niedrigdimensionale Verteilungen untersucht. Im zweiten Schritt werden Methoden zur bestmöglichen multivariaten Kombination der gefundenen Kandidatengene entwickelt. Die Methoden werden auf realen Krebsdaten und in Simulationsstudien verglichen und validiert. Die in den besten Klassifizierern enthaltenen Gene werden aus biologisch-medizinischer Sicht analysiert.

在这个项目中，韦尔登的方法可以帮助我们更好地了解日内瓦大学的情况。麻省理工学院微阵列实验将使激活的基因迅速恢复。Für viele Patientenkollektive韦尔登einzelne基因或线性组合基因als stetige Variablen auf ihren signifikanten Einfluss auf（krankheitsfreie）Überlebenszeiten得到测试。我们开始采用新的统计方法，用生物学的方法建立可信的数据库，并将韦尔登整合起来。具有多模式表达特征的插入基因具有很大的潜在的生物学标记，可以对患者进行可靠的分类，也可以对表达特征进行筛选。该组合更好地解决了基因在具有快速识别、生物学解释和更高分类的医学亚组中的患者聚集问题。Im ersten Schritt韦尔登zur Identifizierung der Kandidatengene geeignete Bewertungsfunktionen und Maßzahlen für niedrigdimensionale Verteilungen untersucht. Schritt韦尔登提出了两种最佳多元组合方法。该方法韦尔登，可用于实际数据的处理和仿真研究。最好的分类方法是通过生物医学实验分析确定基因韦尔登。