Krooninen sairaus

tiivistelmä

tunnistaminen diagnostisia biomarkkerit perustuvat genomiseen ominaisuuksia tarkka tautiluokituksen on ongelma suuri merkitys molemmille, lääketieteen tutkimus ja kliininen käytäntö. Tässä artikkelissa esittelemme kvantitatiivinen verkon toimenpiteitä kuin

rakenteellisia biomarkkereita

ja tutkia niiden kyky luokituksessa tautitilojen päätellä geenien ilmentyminen tietoja eturauhassyöpää. Osoitamme hyödyllisyys lähestymistapamme käyttämällä ominaisarvo ja entropia-pohjainen kuvaaja invarianttien ja verrata tuloksia tavanomaisen biomarkkereiden analyysiin olevien geenien ilmentyminen tietoja.

Citation: Dehmer M, Mueller LAJ, Emmert-Streib F (2013) Quantitative Network toimenpiteet biomarkkereina luokittelussa eturauhassyövän Disease States: Järjestelmäpohjainen lähestymistapa Diagnostic Biomarkers. PLoS ONE 8 (11): e77602. doi: 10,1371 /journal.pone.0077602

Editor: Francesco Pappalardo, University of Catania, Italia

vastaanotettu: 3. heinäkuuta 2013. Hyväksytty: 03 syyskuu 2013; Julkaistu 13 marraskuuta 2013

Copyright: © 2013 Dehmer et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Rahoitus: Matthias Dehmer kiitos Itävallan Science rahastojen tukee tätä työtä (hanke P22029-N13). Kirjoittajat myös kiittää ”Zentraler Informatikdienst” teknillisen yliopiston Wienin tarjota tietokoneen resursseja tehdä laajamittaista laskelmia Phoenix Cluster. Myös Matthias Dehmer ja Laurin Mueller kiittää Standortagentur Tirol tukemiseksi tätä työtä. Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

Molecular and kotkata biomarkkerit on tutkittu laajasti lääketieteessä ja niihin liittyvillä aloilla [1], [2], [3], [4]. Erityisesti biomarkkerit on käytetty syövän analyysi, syövän seulonnan ja kerrostuminen ja diagnoosi [1], [2], [3], [4]. Klassisen, diagnostinen biomarkkerit ovat molekyylit, että niiden esiintyminen tai pitoisuus kudosnäytteistä tai verestä edustaa tietyn syövän, ks [5]. Lukuisia tutkimuksia on tehty osoittamiseksi hyödyllisyydestä ja vaikutuksesta näiden biomarkkereiden syöpätutkimuksessa ja siihen liittyvillä aloilla [1], [2], [3], [4].

Edellä mainittu Tulokset käsittelevät biomarkkereiden tutkimus perustuvat laajalti hyväksytty klassisen että differentiaalisesti ilmentyvien geenien voidaan tulkita markkereita sairauksia. Viimeaikaiset tutkimukset ovat kuitenkin paljastaneet, että klassinen yhden geenin biomarkkereiden ovat usein vähemmän merkityksellisiä analysoitaessa tauteja kuin käyttämällä verkko-pohjainen biologisten merkkiaineiden, katso [6], [7], [8], [9]. Täällä polkuja edustaa monimutkaisia ​​verkostoja [10], [6], [7] toimii biomarkkerit sairauksia. Nyt luonnostellaan asiaan liittyvät työt ns verkkoon perustuva biomarkkerit seuraavasti. Esimerkiksi proteiini-verkkoon perustuva menetelmä tunnistaa biomarkkereita aliverkot päätellä proteiini-vuorovaikutuksen tietokannoista ovat kehittäneet Chuang et al. [11]. Tätä menetelmää on osoittautunut hyödylliseksi luokittelussa nämä aliverkkoihin tautien allekirjoittamista syrjintä [11]. Samanlaista lähestymistapaa, koska Chen et ai. [12] priorisoida tautigeenejä ja proteiinin vuorovaikutus osaverkkoja osoittautui hyödyllinen myös, koska nämä aliverkkoa voi syrjiä tauti allekirjoituksia. Guyon et ai. [8] käytetään tukivektorikone luokittelun niin, että menetelmä ottaa verkon vuorovaikutusten huomioon eikä vain yksittäisten geenien. Jin, et ai. [9] tulkitaan tiettyjä subgraphs, esimerkiksi kolmio kuvaajat, kuten proteiini biomarkkerit ja suoritetaan tilastollinen analyysi sen, katso [9]. Lopuksi Barabási et ai. [13] käytetään, esimerkiksi, rakenteellisia ominaisuuksia kuvaajien avulla keskeisyys toimenpiteitä ja aste jakaumat löytää verkkopohjaisten biomarkkerit kautta ominaisuuksien hallintaan.

Tässä artikkelissa esittelemme kvantitatiivinen verkon toimenpiteitä rakenne- biomarkkereita ja tutkia niiden kykyä luokittelussa tautitiloja päätellä eturauhassyövän (katso kohta ”Data”). Ongelma löytää sopiva verkko toimenpiteitä, jotka kaapata rakenteellisia tietoja yksilöllisesti ja siten ongelma sopivien ehdokkaiden rakenteellisia biomarkkereita on monimutkainen. Tämä koskee avoimen ongelma, että se ei ole a priori selvä millaisia ​​rakenteellisia piirteitä voisi olla paras, koska on olemassa äärettömän monia ominaisuuksia, jotka ovat kuvaajan invariants [14], [15] luonnehtia rakenteen väyliä (kompleksi verkot), katso myös [14], [16], [17], [18].

Suurin panos tämä paperi on seuraava. Käytämme ominaisarvot biologisten verkkojen päätellä eturauhassyövän microarray tietojen rakenteellisia biomarkkereita käyttämällä ohjattua oppimista. Tarkemmin sanottuna, me osoitamme, että nämä rakenteelliset biomarkkereita, eli ominaisarvo-pohjainen kuvaaja invariantit, voidaan luokitella eturauhassyövän mielekkäästi; Tässä yhteydessä saadaan kohtuullisen tuloksia luokittelussa syöpää vastaan ​​hyvänlaatuinen kudos, katso myös [19].

Methods

Rakenteelliset biomarkkerit

Tässä artikkelissa esittelemme määrällinen verkko toimenpiteet rakenteellisia biomarkkereita. Tämä tarkoittaa lähtemällä biologisista verkkoja päätellä microarray data (katso kohta ”Data”), laskemme kvantitatiivinen kuvaajan toimenpiteet edustavat verkon monimutkaisuuden toimenpiteitä ja työllistää ohjattu oppiminen. Jos nämä rakenteelliset ominaisuudet voivat luokitella /syrjiä tautitiloja, niitä kutsutaan rakenteellisia biomarkkereita. Itse asiassa, tämä avaa uusia näkökulmia biomarkkereiden tutkimuksen (i) äärettömän monta rakenteellisia ominaisuuksia (esim kaavio invariants) olemassa rakenteellisia verkon kuvaamista ja (ii) on olemassa useita koneoppimisen ja tilastollisia menetelmiä käyttää johdettujen rakenteellisia ominaisuuksia luokitus /syrjintää.

Koska rakenteellinen biomarkkereiden, aiomme käyttää eigenvalue- ja entropia-pohjainen määriä. Aloitamme selittämällä menettely johtaa ominaisarvoa-pohjainen kuvaaja invariants. Jos merkitsee verkkoon, ominaisarvo perustuvien toimenpiteiden voidaan laskea käyttämällä kuvaajan-teoreettinen matriisi [20] päätellä. Lopuksi saadaan. (1) B

Tässä artikkelissa asetamme ja. on vierusmatriisi ja on etäisyys matriisi, vastaavasti [17], [20]. Ratkaisemalla algebrallinen yhtälö. (2) saadaan ei-nolla-ominaisarvot ja. Koska ja ovat symmetrisiä suuntaamattomien kaavioita, se omistaa. Vuodesta Piirretty laskettaessa ominaisarvojen avulla päätellä, voimme määritellä toimenpiteet, [17], [21], [22]:

(3) (4) (5) (6) (7) ja

(8) (9) (10) (11) B

laskemiseksi toimenpiteet konkreettisesti käyttäen R, asetamme. on Laplacen on ja ovat sen ominaisarvot sen [23].

Toinen luokka kuvaajan toimenpiteitä käytämme rakenteellisia biomarkkereita edustavat entropia toimia kuvaajia. Näitä toimenpiteitä on tutkittu laajasti Dehmer et al. [24], [25], [26] ja alunperin Mowshowitz [27], [28], [29], [30]. Tällaiset toimenpiteet luottaa Shannonin entropia ja siten todennäköisyys jakaumat on osoitettava kuvaajan. Tämä ongelma on monimutkainen, koska, jälleen, äärettömän monta rakenteelliset piirteet ovat olemassa (esim, Vertex astetta, pisteistä, reunoista, etäisyydet, ja osiot sen) määritellä entropic toimenpiteitä verkkoon.

Pohjimmiltaan, kaksi menetelmiä on olemassa päätellä todennäköisyysjakauman kuvaajan ottamalla sen rakenteelliset ominaisuudet huomioon. Ensimmäinen menetelmä perustuu siihen, että määritetään osioiden käyttämällä mielivaltaista kuvaajan muuttumaton ja vastaavuuden kriteerin [31], [27]. Toinen menettely perustuu käyttäen niin kutsuttua tietoa functionals sekä määrittämällä todennäköisyys arvo joka kärkeen. Ominaisuudet kuvaaja entropies perustuu sekä menetelmiä on tutkittu [24], [25], [26], [16]. Seurauksena laajaa tutkimusta tällä alalla viimeisten kolmen vuosikymmenen aikana, lukuisia kuvaaja entropia on kehitetty toimenpiteitä, katso esim [31], [32], [24], [27], [33], [34 ]. Se menisi kuulu paperin tarkastelemaan kaikkia nykyisiä kuvaaja entropia toimenpiteitä ehdokkaiksi rakenteellisia biomarker. Silti käytimme seuraavia entropies eri paradigmoja (seurauksena ominaisuus valintaprosessin, katso myös kohta ”Tulokset”) [31], [24]:

Dehmer entropia käyttämällä tietoja toiminnallinen (vertex keskeisyyden), katso [24].

Topological tietosisällön [35].

Kaavio Vertex monimutkaisuus Index [36].

Mean tietosisältöä etäisyyden asteen tasa [ ,,,0],31].

Mean tietosisällön reunalla tasa [31].

Balaban indeksi [37].

Entropic symmetria indeksi [38].

Bonchev index [31].

Dehmer-entropia käyttämällä tietoja funktionaalinen (-spheres), katso [24].

Bonchev indeksi [31].

konkreettiset kaavat sen, sekä tekniset tiedot löytyvät [31], [24].

data

Aineisto käytämme tässä artikkelissa ei ole koskaan käytetty luokittelua syöpä tautitiloja. Voit luoda määrättyjä biologisia verkkoja, käytimme seitsemän julkisesti saatavilla sarjaa (katso taulukko 1), jotka liittyvät eturauhasen syöpään NCBI GEO [39] ja EBI Arrayexpress [40]. Aineistot on valittu yhteistyössä urologian osasto Medical University Innsbruckin tunnistaa transkription muutosten eturauhassyövän, mukaan lukien kasvaimia ERG-geenin uudelleenjärjestelyjä, katso [19]. Ensimmäinen tulos käyttämällä tätä tietoa on saavutettu Massoner et al. [19], sillä ne pitivät vankka väestö riippumattomat transkription muutosten ja merkkejä ERG uudelleenjärjestelyjä asiakkuutta aineenvaihdunnan muutoksia syöpäsolujen aktivoimalla suuren metabolisen molekyylejä kuten NPY.

uudelleenanalysoidaan julkisesti saatavilla aineistoja (katso Taulukko 1) ja päätelty biologisten verkkojen avulla C3NET päättelyn menetelmää [41]. Tämä johti seitsemän C3NET verkoissa edustaa hyvänlaatuista kudosta (Kontrolliryhmän) ja seitsemän verkostoja, jotka edustavat syöpä kudosta. Täällä, hyvänlaatuinen tarkoittaa sitä, että me kutsumme sairaita potilaita, joilla on kasvain.

Saadakseen suuremman joukon verkkoja, käytimme geeni ontologian (GO) tietokanta [42] poimia subgraphs näistä verkoissa. Kunkin verkon ja kukin GO aikavälin luokkaan ”biologinen prosessi”, oletamme yksi subgraph sisältävän geenejä, jotka liittyvät tähän tiettyyn GO aikavälin tuloksena ja 108 verkostoja, jotka edustavat hyvänlaatuinen ja syöpä kudosta, vastaavasti. Määritimme GO-ehtoja käyttämällä Bioconductor Package goProfiles.

Tuloksena koot saadut luokat ovat mahdollisesti erilaisia, koska verkon rakenteita ja ovat erilaisia, ja näin ollen kaikki reitit vangiksi näitä verkkoja. Lisäksi olemme pois aliverkko, jos se sisältää vähemmän, että geenit, jotka liittyvät tiettyyn GO-aikavälillä. Saatu kaksi verkkoja voidaan tulkita lähentää kahden populaation. Yksi väestö edustaa

hyvänlaatuinen

valtion ja toinen

syöpä

tilassa. Toteamme, että tämä joukko biologisia verkkojen on jo käytetty [43], kun osoitetaan toiminnallisuus äskettäin kehitetty R-paketti QuACN.

Tulokset

Luokittelu: Eturauhassyöpä Networks vs. Gene Expression biomarkkerit

jotta voitaisiin arvioida suorituskykyä uudet rakenteelliset biomarkkereita, vertaamme luokittelu verkkojen kanssa luokituksen geeniekspression data itseään käyttämällä ohjattua oppimista. Luokitella normalisoitu geenien ilmentyminen tietoja käyttämällä aineistoja kuvattu kohdassa ”Data”, yhdistimme näytteet seitsemän tutkimuksissa (katso taulukko 1) määrittämällä risteyksessä mitatun geenejä. Tämä johtaa piirrevektorin, joka sisältää kaikki geenit, jotka on mitattu kunkin seitsemän eri tutkimuksissa. Jotta valita tärkeimmät geenit, käytämme ominaisuus valintamekanismi, joka perustuu

tiedot saa

menetelmä [44]. Sitten me luokitella datajoukon käyttämällä 10 tärkeimmät ominaisuudet kuin piirrevektorin käyttämällä SVM luokitus [45], jossa polynomi ytimen toiminto. Suorittamiseksi luokitusta, sovellamme R-toteuttamiseen Libsvm [46] ja oppimisen optimaalisen parametrit, teemme 10-kertainen cross validointi.

Jotta saadaan paras luokitus suorituskykyä arvioimme seuraavia parametriasetukset luokitusta tyhjentävästi: (12) ja

(13) niiden kolmen tutkittu toimenpiteet, niiden tuloksia muodossa virhe toimenpiteiden luokittelua on koottu taulukkoon 2. näistä toimenpide, löysimme optimaalinen parametriasetukset käyttää tässä analyysissä:,, (eigenvalue-pohjainen toimet),,, (entropia-pohjainen toimet) ja, (geenien ilmentyminen data).

meidän numeerisen aineiston luokittelu, yhteenveto taulukossa 2, ilmenee, että verkko perustuva lähestymistapa ominaisarvot (toinen sarake) ja biomarkkereiden analyysi geeniekspression data (esitetty sarake) toimivat parhaiten. Erityisesti luokittelu geenin ilmentymisen biomarkkerit on aina paras, mutta ominaisarvon menetelmä johtaa verrattavissa suorituskyvyn kuluessa keskivirhe. Johtuen siitä, että kaikki virhe toimenpiteet ovat satunnaisia ​​muuttujia, arvioitiin alkaen kertaiseksi rajat validointi, se näyttää järkevältä harkita

suorituskyky välein

, antama keskiarvo ja keskivirhe sijasta piste-estimaattorit. Tämä johtaa vakaampi lausuntoja saatu suorituskyky arvot.

Toisin kuin ominaisarvoa ja geeniekspression biologisten merkkiaineiden menetelmä, luokittelua perustuva menetelmä entropies verkkojen alimpana suorituskykyä kaikkien virheiden toimenpiteet kuitenkin , silti antaa järkevä luokittelu suorituskyky osoittaa, että myös tämä menetelmä pystyy varten erottelee kaksi biologista luokkaa, ainakin jossain määrin.

Eigenvalue-pohjainen Lujuusanalyysi on Eturauhassyöpä Networks

tässä osassa tarkastellaan joitakin ominaisuuksia ominaisarvojen avulla eturauhassyövän verkostoja, jotka edustavat kahta luokkaa (syöpä ja hyvänlaatuinen kudosta). Ensimmäiset tulokset on koottu kuvioon 1, 2 ja kuva 3, 4. Me piirretty kaikki ominaisarvot syöpä ja hyvänlaatuinen verkoissa käyttämällä vierusmatriisin ja etäisyys matriisi, vastaavasti. Käyttämällä vierusmatriisi, ominaisarvot hyvänlaatuinen verkkojen osoittavat ominainen jakelu jossa lähes kaikki ominaisarvot sijoittuu vaakasuoraan kaistale. Itse asiassa 64% näistä ominaisarvot ovat negatiivisia ja 36% ovat positiivisia. Juoni syöpä verkkojen käyttämällä läheisyytensä näyttää hyvin samankaltainen. Tässä suhde positiivisten ja negatiivisten ominaisarvo on sama kuin käyttämällä hyvänlaatuinen verkkoja. Se, että nämä jakaumat näyttävät samanlaisilta voidaan myös selittää väittämällä vastaavan nolla vapaiden alueiden (esim liuskamaisia ​​alueita, joissa ei nollat ​​karakteristisen polynomin lie). Kuten edellä jaksossa ”Rakenteelliset Biomarkkerit”, ominaisarvot ovat nollia (se tarkoittaa, että ratkaisut yhtälö) on karakteristisen polynomin avulla kuvaaja-teoreettinen matriisi (tässä käytämme ja). Sitten näemme, että nolla-vapaiden alueiden hyvänlaatuisen vs. syövän verkoissa käyttämällä vierusmatriisi näyttävät hyvin samanlaisilta. Mutta tästä, emme voi päätellä, että ominaisarvot ovat yleensä sopimattomia erotteleva kahden verkon luokkaa kuin esitetty kohdassa ”Classification: Eturauhassyöpä Networks vs. Gene Expression Biomarkers”. Käyttämällä etäisyys matriisi, me saadaan ominaisarvo-suhde 74% negatiivinen ja 26% positiivisia hyvänlaatuinen; 76% negatiivinen ja 24% syövän verkoissa. Toisin jakaumien avulla vierusmatriisi, vaaka nauhat ja siten nolla-free-alueet ovat erilaiset. Tämä voidaan ymmärtää analysoimalla jaettuihin matriisin elementit vierekkäisyysmat- ja etäisyys matriisin. Se, että nämä ovat erilaisia ​​myös sitä, että kertoimet tuloksena karakteristinen polynomi eroavat huomattavasti.

Yhteenvetona voimme päätellä, että tietyt ominaisarvo perustuva toimenpiteiden käyttäen läheisyytensä ja etäisyys matriisi tallentaa rakennetiedot eri tavalla. Täällä, tämä voi tarkoittaa, että osa näistä toimenpiteistä käyttämällä etäisyyttä matriisin ovat herkempiä kohti pieniä rakenteellisia muutoksia verkossa. Voimassaolo tätä olettamusta voidaan tukea arvioimalla syrjintä voiman eigenvalue perustuvia toimenpiteitä. Tämä koskee onko toimenpide kaappaa rakenneinformaatioon yksilöllisesti, katso [47], [16], [14]. Esimerkiksi jos verkko rakenne on hieman muuttunut, toimenpiteen pitäisi havaita tämän rakenteellisen muutoksen antamalla erotettavissa arvoja. Tässä artikkelissa, me mitata erottelutehon tai ainutlaatuisuus määrällä, ilmaisi

ei-erotettavissa arvot

tietyn ominaisarvo perustuva toimenpide. Se on laskea NDV, laskemme kaikki toimenpiteet verkoissa ja lukumäärän määrittämiseksi kaavioita, joita ei voida erottaa niitä. Tärkeää on, että verkkojen on oltava rakenteellisesti kuin yhtä (ei-isomorfinen) suorittamaan tämän tutkimuksen mielekkäästi; korostamme, että syöpä verkkoja käytettiin tässä tutkimuksessa on tarkistettu olevan rakenteellisesti kuin yhtä. Tarkastamalla taulukko 3, näemme ensinnäkin, että monet laskettu eigenvalue perustuvia toimenpiteitä ovat täysin ainutlaatuisia; * Normalisoida arvoja, käytimme Konstantinova herkkyys toimenpide, katso [48], [17]. * Tämä tarkoittaa ne rakenteellisesti erottaa verkostoja niiden arvot yksilöllisesti. Ainoa toimenpide, joka tuottaa degeneroitunut arvoista on, yhtälö 5. Lisäksi huomaamme, että on enemmän ainutlaatuinen kuin voidaan nähdä NDV-arvoja. Siten voidaan päätellä, että etäisyys matriisi koodaa rakenteellista tietoa mielekkäämpää kuin käyttämällä vierusmatriisi kun käytetään toimenpiteen.

Huomaa, että täydentävä tiedostojen (File S1, S2, S3) sisältävät arvoja n calucated verkkoja.

keskustelu ja Johtopäätös

sisällä viime vuosina on huomattavaa kiinnostusta tunnistamisessa biomarkkerit sisällä genomista aineistoja. Yleensä, jos geenien ilmentyminen tietoja käytetään DNA microarray kokeiluja, biomarkkereiden pidetään geeni tai joukko geenejä, jonka geenin ilmentymisen tiedot ovat käytettävissä. Sitten luokittelu menetelmät perustuvat geenin ilmentymisen tiedot näiden biomarkkereiden johtaa biologisesti tulkittavissa tuloksia suhteessa niiden luokittelu kykyjä, esimerkiksi diagnostisia tarkoituksia varten. Sen sijaan tässä artikkelissa oletetaan

rakenteellisia biomarkkereiden

johdettu geenistä säätelyverkkojen päätellä geenien ilmentyminen tietoja ja käyttää näitä tekemään luokittelun tautitilojen. Meidän numeerinen analyysi huomasimme, että geenin ilmentymisen biomarkkereita ja ominaisarvon perustuvat toiminnot suorittaa samalla tavalla, vaikka geenin ilmentyminen biomarkkerit suorittaa hieman parempi.

Tämä tulos on kiinnostava, koska se osoittaa, ensimmäinen, biomarkkereiden ei tarvitse olla geeni, mutta se voi olla abstrakti ominaisuus biologisessa järjestelmässä, esimerkiksi, eigenvalue-pohjaisen verkon toimenpiteitä, kuten meidän tapauksessamme. Periaatteessa tämä ajatus ei ole uusi. Kuitenkin uutta on, että osoitamme tämän kiistattoman antamalla esimerkki rakenteellisen biomarkkereita. Sinänsä tarjoamme käytännön näyttöä tämän väitteen joka yleensä on vain keskusteltu argumentatively sijasta numeerisesti. Toiseksi, miten meidän rakenteellisia biomarkkereiden määritellään ei enää salli sanoa, esim ”geeni A ja geeni B ’pystyvät erottamaan biologisen olosuhteissa harkitaan. Sen sijaan meidän ominaisuuksia, vastaavasti biomarkkerit, vastaavat ominaisuudet

järjestelmä

ja ovat sellaisinaan geeni itsenäisiä, mutta omiin kollektiivista ominaisuudet, kuten vangiksi päätelty geenin säätelyverkkoja. Siksi meidän lähestymistapamme edustaa käytännön toteutus

järjestelmät lääke

.

Jotta tulevaisuudessa analyysi olisi mielenkiintoista käyttää proteiinin ilmentymisen datalla geeniekspression data toistaa samanlainen analyysi. Tällainen analyysi antaisi saada tietoa kestävyydestä tuloksemme suhteen muutos molekyylitasolla, koska muodostuu proteiinista vuorovaikutusta. Erityisesti se auttaa ymmärtämään, jos puhdasta [49] tai seka vuorovaikutuksen tyyppejä, jota edustavat geeni säätelyverkkojen, soveltuvat paremmin rakentamiseen rakenteellisia biomarkkereita.

Kaiken meidän tulokset antavat lupaavia todisteita siitä, että

yhtään -geenin biomarkkerit

voi olla hyödyllinen keino luokitella tautitilojen geenien ilmentyminen tietojen diagnoosia varten.

Lisäys

täydellisyyden, taulukoissa 4, 5, 6, 7, 8, 9, 10 osoitamme samat tulokset kuin taulukossa 3, mutta yksittäisten tietokokonaisuuksien, kuten taulukossa 1 lueteltujen

tukeminen Information

Tiedosto S1.

R tiedot sisältävä tiedosto määrittelijäarvot.

doi: 10,1371 /journal.pone.0077602.s001

(ZIP)

Tiedoston S2.

Excel-tiedoston containg määrittelijä arvot käyttämällä ominaisarvo-toimenpiteitä.

doi: 10,1371 /journal.pone.0077602.s002

(CSV)

Tiedoston S3.

Excel-tiedoston containg määrittelijä arvoja kuin ominaisarvo-toimenpiteitä.

doi: 10,1371 /journal.pone.0077602.s003

(CSV) B