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.

在该项目中，我们使用了方法来预测预测。麻省理工学院微阵列实验是由 Gene gleichzeitig gemessen 进行的。 Für viele Patientenkollektive werden einzelne Gene oder Linearkombinationen von Genen als stetige Variablen auf ihrensignifikanten einfluss auf (krankheitsfreie) Überlebenszeiten getestet。在新的统计方法中，有一个合理的生物学研究和统计方法。 Insbesondere 基因与多模态表达swertverteilung haben großes 潜在的预测标记，是直接对患者进行分类的强大工具，并且是对表达swerte erfolgen kann 的分类进行记录。组合疗法是一种与患者预后相关的基因组合，可用于预测子组的诊断、生物学解释和分类。在此之前，我们将了解有关概念功能和测量的识别信息。我使用的是最好的多变量组合方法来解决这一问题。该方法适用于真实的 Krebsdaten 和模拟研究的验证和验证。死在最好的分类中，基因来自生物医学分析。