Bayesian Models for Gene Expression With DNA Microarray Data
DNA 微阵列基因表达数据的贝叶斯模型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：摘要明确面向基因表达与肿瘤组织分析，层级先验和模型选择不构成所列金融因子或网络方向的依据。
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…
DNA 微阵列基因表达数据的贝叶斯模型
- 研究问题
- 如何从大量基因中识别区分正常与肿瘤组织的小型基因集合，并建立能够刻画两类组织表达模式的统计模型？
- 方法与思路
- 作者提出贝叶斯模型与基因子集选择方法，通过层级先验跨基因共享信息，并用 MCMC 进行后验抽样和模型准则计算。
- 材料陈述的贡献
- 摘要称，论文提出新的模型、层级先验和贝叶斯模型选择准则，研究先验性质，并以子宫内膜癌案例展示方法。
- 阅读关注点
- 应核对表达数据的模型设定、层级先验如何共享信息、子集选择准则，以及 MCMC 收敛和案例验证的具体安排。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要，数据规模、选择结果与外部验证未说明，不能判断分类表现或临床效用。
原文摘要
Two of the critical issues that arise when examining DNA microarray data are (1) determination of which genes best discriminate among the different types of tissue, and (2) characterization of expression patterns in tumor tissues. For (1), there are many genes that characterize DNA expression, and it is of critical importance to try and identify a small set of genes that best discriminate between normal and tumor tissues. For (2), it is critical to be able to characterize the DNA expression of the normal and tumor tissue samples and develop suitable models that explain patterns of DNA expression for these types of tissues. Toward this goal, we propose a novel Bayesian model for analyzing DNA microarray data and propose a model selection methodology for identifying subsets of genes that show different expression levels between normal and cancer tissues. In addition, we propose a novel class of hierarchical priors for the parameters that allow us to borrow strength across genes for making inference. The properties of the priors are examined in detail. We introduce a Bayesian model selection criterion for assessing the various models, and develop Markov chain Monte Carlo algorithms for sampling from the posterior distributions of the parameters and for computing the criterion. We present a detailed case study in endometrial cancer to demonstrate our proposed methodology.