Resumen

En experimentos de expresión génica de alta dimensionalidad, como los experimentos de microarray y RNA-seq, el número de variables medidas es enorme mientras que el número de réplicas es pequeño. Como consecuencia, la prueba de hipótesis es desafiante porque la potencia de las pruebas puede ser muy baja después de controlar el error de pruebas múltiples. Se prefieren procedimientos de prueba óptimos con alta potencia promedio mientras se controla la tasa de descubrimiento falso. Se construyeron muchos métodos para lograr alta potencia al compartir información entre genes. Algunos de estos métodos pueden demostrar lograr la potencia promedio óptima entre genes, pero solo bajo una suposición normal de medias alternativas. Sin embargo, la suposición de una distribución normal probablemente se incumple en la práctica. En este artículo, proponemos un procedimiento de prueba óptimo semiparamétrico (SPOT) para datos de alta dimensionalidad con tamaño de muestra pequeño. Nuestro procedimiento es más robusto porque no depende de ninguna suposición paramétrica para las

• Materias:Modelos de regresión Conjunto borroso Agrupamiento Factores de transcripción Modelo autorregresivo
• Subjects:Regression models Fuzzy set Clustering Transcription factors Autoregressive model
• Palabras claves:Expresión génica; Datos de alta dimensionalidad; Pruebas de hipótesis; Procedimientos óptimos de prueba; Tasa de falsos descubrimientos; Semiparamétrico
• Keywords:Gene expression; High-dimensional data; Hypothesis testing; Optimal testing procedures; False discovery rate; Semiparametric