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

在我看来，这是一项伟大的事业，它预示着未来的发展。麻省理工学院微阵列-实验将激励基因Gleichzeitig Gemessen。Für viele Patientenkollektive is den einzelne gene On Linearkombinationen von Genen ALS stetiablen Variablen Signifikanten Eifuss auf(Krankheitsfreie)uberlebenszeiten Gettt.Wir entwickeln Neue统计法，MIT denen biologisch似乎是Kandidatengene gefunden and sinnvoll kombiniert wen den können.Insbeondere基因和多模式表达的潜在的ALS预后标记物，De eine Robust e Klassfikation der Patienten Direcrekt and Hand Einer einer Diskreten Klasseneintiilung der Expressionswerte erfolgen kann.这是一种新的基因翻译技术，它是一种新的技术，是一种新的技术手段。我是来自德国的施里特·施里特，他的名字来自德国、德国和德国。我是Zweiten Schritt Well den Methoden zur Best möglichen多元Kombination der gefundenen Kandidatengene entwickelt.这种方法是在模拟研究和验证中进行的。在Klassifiziern entenen基因之前死亡被Aus biologisch-medizinischer siht分析。

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.