podcast.de
Anmeldung
Anmeldung Registrierung
Auto Hell Dunkel
Erweiterte Suche
  1. Startseite
  2. Podcasts
  3. Medizin - Open Access LMU - Teil 13/22 Podcast
  4. Modeling gene expression measurement error: a quasi-likelihood approach
Background: Using suitable error models for gene expression
measurements is essential in the statistical analysis of microarray
data. However, the true probabilistic model underlying gene
expression intensity readings is generally not known. Instead, in
currently used approaches some simple parametric model is assumed
(usually a transformed normal distribution) or the empirical
distribution is estimated. However, both these strategies may not
be optimal for gene expression data, as the non-parametric approach
ignores known structural information whereas the fully parametric
models run the risk of misspecification. A further related problem
is the choice of a suitable scale for the model (e. g. observed vs.
log-scale). Results: Here a simple semi-parametric model for gene
expression measurement error is presented. In this approach
inference is based an approximate likelihood function (the extended
quasi-likelihood). Only partial knowledge about the unknown true
distribution is required to construct this function. In case of
gene expression this information is available in the form of the
postulated (e.g. quadratic) variance structure of the data. As the
quasi-likelihood behaves (almost) like a proper likelihood, it
allows for the estimation of calibration and variance parameters,
and it is also straightforward to obtain corresponding approximate
confidence intervals. Unlike most other frameworks, it also allows
analysis on any preferred scale, i.e. both on the original linear
scale as well as on a transformed scale. It can also be employed in
regression approaches to model systematic (e.g. array or dye)
effects. Conclusions: The quasi-likelihood framework provides a
simple and versatile approach to analyze gene expression data that
does not make any strong distributional assumptions about the
underlying error model. For several simulated as well as real data
sets it provides a better fit to the data than competing models. In
an example it also improved the power of tests to identify
differential expression.

Weitere Episoden

HIV-associated multiple intracerebral hemorrhages

HIV-associated multiple intracerebral hemorrhages

vor 21 Jahren
Assessment of potential cardiotoxic side effects of mitoxantrone in patients with multiple sclerosis

Assessment of potential cardiotoxic side effects of mitoxantrone in patients with multiple sclerosis

vor 21 Jahren
Ischemic preconditioning attenuates portal venous plasma concentrations of purines following warm liver ischemia in man

Ischemic preconditioning attenuates portal venous plasma concentrations of purines following warm liver ischemia in man

vor 21 Jahren
Improved ventricular function during inhalation of PGI(2) aerosol partly relies on enhanced myocardial contractility

Improved ventricular function during inhalation of PGI(2) aerosol partly relies on enhanced myocardial contractility

vor 21 Jahren
Behandlungsbezogene Einstellungen und Behandlungsmotivationbei Patienten zweier komplementärmedizinischer Kliniken

Behandlungsbezogene Einstellungen und Behandlungsmotivationbei Patienten zweier komplementärmedizinischer Kliniken

vor 21 Jahren
Alle Episoden anzeigen
In Podcasts werben
Schalte jetzt Werbung in Podcasts.
Episode melden

„Modeling gene expression measurement error: a quasi-likelihood approach“

Worum geht es? Danach fragen wir noch nach dem Grund.

Abonnenten

Teilen

Mein Archiv

Deine Privatkopie der Folgen, die du nicht verlieren willst.

Podcast-Folgen verschwinden. Feeds werden auf die letzten Episoden gekürzt, Hoster räumen alte Dateien ab, Formate wechseln den Anbieter und lassen ihr Archiv zurück. Mit „Mein Archiv“ sichert podcast.de die Folgen deiner Podcasts für dich — angefangen bei den ältesten, denn die sind zuerst weg.

  • Deine gesicherten Folgen bleiben hörbar, auch wenn das Original offline geht.
  • Auch Folgen, die im heutigen Feed gar nicht mehr stehen — podcast.de kennt sie noch.
  • Herunterladen bleibt möglich, solange die Folge beim Podcaster liegt. Der zählt seine Abrufe wie bisher.
Startet bald

Sei beim Start von Mein Archiv dabei

Mein Archiv ist fast fertig. Trag dich ein, dann bekommst du eine E-Mail, sobald es losgeht – und bist von Anfang an dabei. Wir schreiben dir nur zum Start, keine Werbung, keine Weitergabe deiner Daten.

Du bekommst zuerst eine Bestätigungsmail. Abmelden geht jederzeit. Datenschutz