|
|
Multidimensional statistics and applications to study genes
Bubelíny, Peter ; Klebanov, Lev (vedoucí práce) ; Jurečková, Jana (oponent) ; Kalina, Jan (oponent)
Název práce: Mnohorozměrná statistika a aplikace na studium genů Autor: Mgr. Peter Bubelíny Katedra: Katedra pravděpodobnosti a matematické statistiky Vedoucí disertační práce: prof. Lev Klebanov, DrSc., KPMS MFF UK Abstrakt: Microarrayová data genových expresí se skládají z několika tisíců genů a pouze několika desítek pozorování. Navíc, geny jsou mezi sebou silně závislé a data obsahují systematické chyby. Proto nám rozsah těchto dat nedovoluje rozumně odhadnout jejich korelační strukturu. U mnoha stati- stických problémů s mircoarrayovými daty musíme současně testovat tisíce hypotéz. Vzhledem k závislosti mezi geny, p-hodnoty těchto hypotéz jsou taky závislé. V této práci porovnáme běžné procedury mnohonásobného testování, které jsou vhodné pro závislé hypotézy. Běžný způsob, jak udělat microarrayová data méně závislá a částečně odstanit systematické chyby, je normalizovat je. Proto bylo navrhnuto několik nových normalizací a studovali jsme, jak různé normalizace ovlivňují testování hypotéz. Navíc jsme porov- nali testy pro nalezení odlišně expresovaných genů nebo genových množin a nalezli několik zajímavých vlastností testů jako například strannost dvoj- výběrového Kolmogorov-Smirnovova testu a...
|
|
|
Multidimensional statistics and applications to study genes
Bubelíny, Peter ; Klebanov, Lev (vedoucí práce) ; Jurečková, Jana (oponent) ; Kalina, Jan (oponent)
Název práce: Mnohorozměrná statistika a aplikace na studium genů Autor: Mgr. Peter Bubelíny Katedra: Katedra pravděpodobnosti a matematické statistiky Vedoucí disertační práce: prof. Lev Klebanov, DrSc., KPMS MFF UK Abstrakt: Microarrayová data genových expresí se skládají z několika tisíců genů a pouze několika desítek pozorování. Navíc, geny jsou mezi sebou silně závislé a data obsahují systematické chyby. Proto nám rozsah těchto dat nedovoluje rozumně odhadnout jejich korelační strukturu. U mnoha stati- stických problémů s mircoarrayovými daty musíme současně testovat tisíce hypotéz. Vzhledem k závislosti mezi geny, p-hodnoty těchto hypotéz jsou taky závislé. V této práci porovnáme běžné procedury mnohonásobného testování, které jsou vhodné pro závislé hypotézy. Běžný způsob, jak udělat microarrayová data méně závislá a částečně odstanit systematické chyby, je normalizovat je. Proto bylo navrhnuto několik nových normalizací a studovali jsme, jak různé normalizace ovlivňují testování hypotéz. Navíc jsme porov- nali testy pro nalezení odlišně expresovaných genů nebo genových množin a nalezli několik zajímavých vlastností testů jako například strannost dvoj- výběrového Kolmogorov-Smirnovova testu a...
|
host ::
RSS.