索引于
  • 学术期刊数据库
  • 打开 J 门
  • Genamics 期刊搜索
  • 期刊目录
  • 研究圣经
  • 乌尔里希的期刊目录
  • 电子期刊图书馆
  • 参考搜索
  • 哈姆达大学
  • 亚利桑那州EBSCO
  • OCLC-WorldCat
  • 学者指导
  • SWB 在线目录
  • 虚拟生物学图书馆 (vifabio)
  • 普布隆斯
  • 米亚尔
  • 日内瓦医学教育与研究基金会
  • 欧洲酒吧
  • 谷歌学术
分享此页面
期刊传单
Flyer image

抽象的

ChIP-Seq 数据的无模型推断

吴明琪、Monique Rijnkels 和梁发明

由于其更高的分辨率映射和更强的 ChIP 富集信号,ChIP-seq 有望取代 ChIP-chip 技术用于研究全基因组蛋白质-DNA 相互作用,而海量的数字 ChIP-seq 数据给统计学家带来了新的挑战。到目前为止,文献中提出的大多数 ChIP-seq 数据分析方法都是基于模型的,然而,考虑到生物系统的复杂性和测序过程中产生的变化,找到一个适用于所有数据集的单一模型是不可能的。在本文中,我们提出了一种用于 ChIP-seq 数据分析的无模型方法,即所谓的 MICS(无模型推断 ChIP-Seq)。与现有方法相比,MICS 具有一些优势:首先,MICS 避免了对数据分布的假设,因此即使违反了数据的模型假设,它也能保持高功效。其次,MICS 采用基于模拟的方法来估计错误发现率。由于基于模拟的方法独立于 ChIP 样本工作,因此 MICS 可以对各种 ChIP 样本表现出稳健的性能;它可以准确识别峰区域,即使对于富集较弱的区域也是如此。第三,MICS 的计算效率非常高,对于相当大的数据集,在个人计算机上只需几秒钟即可完成。在本文中,我们还提出了一种简单的半经验方法来模拟 ChIP-seq 数据,该方法可以更好地评估不同 ChIP-seq 数据分析方法的性能。基于真实和模拟数据集,将 MICS 与几种现有方法进行了比较,包括 MACS、CCAT、PICS、BayesPeak 和 QuEST。数值结果表明 MICS 的表现优于其他方法。可用性:可在 http://www.stat.tamu.edu/~mqwu 上获取名为 MICS 的 R 包。

免责声明: 此摘要通过人工智能工具翻译,尚未经过审核或验证