A Two-Way Semilinear Model for Normalization and Analysis of cDNA Microarray Data
用于 cDNA 微阵列归一化与分析的双向半线性模型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：摘要讨论微阵列归一化，双向模型的名称不足以作为面板数据分类依据。
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
用于 cDNA 微阵列归一化与分析的双向半线性模型
- 研究问题
- 如何消除微阵列表达强度中的系统偏差，并在显著性分析中计入归一化不确定性，同时减少常用方法的限制？
- 方法与思路
- 作者提出双向半线性模型，用多项式样条的半参数方法联合估计归一化曲线与归一化表达值，并研究估计性质。
- 材料陈述的贡献
- 摘要称无需假定差异表达基因比例很小或上下调表达对称，并分析基因效应的有限样本分布及曲线收敛速度。
- 阅读关注点
- 应核对替代既有假设的模型约束、归一化与基因效应的可辨识性，以及样条选择和不确定性传递的具体方法。
- 阅读边界
- 所给材料是稿件版本未注明的 OpenAlex 索引摘要；未列完整假设、收敛速度或模拟结果，不能据此认定方法普遍优于既有方法。
原文摘要
A basic question in analyzing cDNA microarray data is normalization, the purpose of which is to remove systematic bias in the observed expression values by establishing a normalization curve across the whole dynamic range. A proper normalization procedure ensures that the normalized intensity ratios provide meaningful measures of relative expression levels. We propose a two-way semilinear model (TW–SLM) for normalization and analysis of microarray data. This method does not make the usual assumptions underlying some of the existing methods. For example, it does not assume that the percentage of differentially expressed genes is small or that there is symmetry in the expression levels of up-regulated and down-regulated genes, as required in the lowess normalization method. The TW–SLM also naturally incorporates uncertainty due to normalization into significance analysis of microarrays. We use a semiparametric approach based on polynomial splines in the TW–SLM to estimate the normalization curves and the normalized expression values. We study the theoretical properties of the proposed estimator in the TW–SLM, including the finite-sample distributional properties of the estimated gene effects and the rate of convergence of the estimated normalization curves when the number of genes under study is large. We also conduct simulation studies to evaluate the TW–SLM method and illustrate the proposed method using a published microarray dataset.