Spike and Slab Gene Selection for Multigroup Microarray Data
多组微阵列数据的尖峰与厚尾基因选择AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦多组基因筛选和贝叶斯稀疏建模，未直接对应给定计量领域细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
多组微阵列数据的尖峰与厚尾基因选择
- 研究问题
- 在多个疾病阶段的微阵列数据中，如何减少普通最小二乘估计波动及相关参数引起的均值回归所造成的错误基因发现？
- 方法与思路
- 作者提出重标度的贝叶斯尖峰与厚尾层次模型，结合针对微阵列特征的数据预处理，以选择性收缩促进稀疏基因选择。
- 材料陈述的贡献
- 摘要称选择性收缩带来相对普通最小二乘的类oracle选择风险表现，并在结肠癌应用中识别生物信号、减少不合理发现。
- 阅读关注点
- 应核对先验与重标度设定、类oracle风险结论的条件、预处理对选择的影响，以及功能分析如何验证所选基因。
- 阅读边界
- OpenAlex索引未注明稿件版本；摘要未给出风险定义、理论条件及误发现数值，应用陈述不能替代独立生物学验证。
原文摘要
DNA microarrays can provide insight into genetic changes that characterize different stages of a disease process. Accurate identification of these changes has significant therapeutic and diagnostic implications. Statistical analysis for multistage (multigroup) data is challenging, however. ANOVA-based extensions of two-sample Z-tests, a popular method for detecting differentially expressed genes in two groups, do not work well in multigroup settings. False detection rates are high because of variability of the ordinary least squares estimators and because of regression to the mean induced by correlated parameter estimates. We develop a Bayesian rescaled spike and slab hierarchical model specifically designed for the multigroup gene detection problem. Data preprocessing steps are introduced to deal with unique features of microarray data and to enhance selection performance. We show theoretically that spike and slab models naturally encourage sparse solutions through a process called selective shrinkage. This translates into oracle-like gene selection risk performance compared with ordinary least squares estimates. The methodology is illustrated on a large microarray repository of samples from different clinical stages of metastatic colon cancer. Through a functional analysis of selected genes, we show that spike and slab models identify important biological signals while minimizing biologically implausible false detections.