Wertigkeit und Notwendigkeit bioinformatischer Methoden zur Mikroarray-Datenanalyse

Zusammenfassung

Große Datenmengen, wie sie üblicherweise bei Expressionsanalysen anfallen, entziehen sich häufig einer direkten Interpretation. Diese Daten stellen eine besondere Schwierigkeit dar, da sie meist aus wenigen Expressionsprofilen mit vielen Werten bestehen. Ansätze des maschinellen Lernens und statistische Verfahren der Mustererkennung und des Data-Mining sind geeignet, diesen Herausforderungen zu begegnen. Jedoch ist auch bei diesen Verfahren Vorsicht geboten, da eine blinde Anwendung oft zu Überinterpretationen führt. Die nachfolgende Übersicht soll das Prinzip moderner biostatistischer Verfahren aufzeigen. Außerdem soll eine mögliche Anwendung zur Analyse von Expressionsprofilen des Prostatakarzinoms skizziert werden.

Abstract

Data emerging from DNA microarray experiments are usually difficult to interpret. While the level of expression of several thousand genes can be measured in a single experiment, only a few dozen experiments are normally carried out, leading to data sets of very high dimensionality and low cardinality. The computational analysis of gene expression data makes significant usage of machine learning and statistical methods. Nevertheless, caution should be used in the blind adoption of these methods, as this usually leads to an over-interpretation of the expression profiles. The following presentation provides an overview of up-to-date principles of biostatistical analysis. A potential application for the analysis of high-dimensional expression profiles of prostate cancer is given.