gms | German Medical Science

GMDS 2012: 57. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

16. - 20.09.2012, Braunschweig

Adaptive Tests für Biomarker-Studien

Meeting Abstract

Suche in Medline nach

  • Markus Oliver Scheinhardt - Universität zu Lübeck, Deutschland
  • Silke Szymczak - Universität zu Lübeck, Universitätsklinikum Schleswig-Holstein – Campus Lübeck, Institut für Medizinische Biometrie und Statistik, LübeckDeutschland
  • Andreas Ziegler - Universität zu Lübeck, Universitätsklinikum Schleswig-Holstein, Campus Lübeck, Deutschland

GMDS 2012. 57. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS). Braunschweig, 16.-20.09.2012. Düsseldorf: German Medical Science GMS Publishing House; 2012. Doc12gmds145

DOI: 10.3205/12gmds145, URN: urn:nbn:de:0183-12gmds1456

Veröffentlicht: 13. September 2012

© 2012 Scheinhardt et al.
Dieser Artikel ist ein Open Access-Artikel und steht unter den Creative Commons Lizenzbedingungen (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.de). Er darf vervielfältigt, verbreitet und öffentlich zugänglich gemacht werden, vorausgesetzt dass Autor und Quelle genannt werden.


Gliederung

Text

In Assoziationsstudien zwischen Einzelnukleotidpolymorphismen (SNPs) und Genexpressionen, kurz: eQTL-Studien sollen SNPs identifiziert werden, die das Expressionsniveau beeinflussen. Da Expressionsdaten häufig nicht-normalverteilt sind und Ausreißer aufweisen, lässt sicher der Type I Fehler bei statistischen Standardverfahren, wie der Varianzanalyse häufig nicht kontrollieren. Die Problematik ist bei Biomarkerstudien mit Proteinen oder Metaboliten vergleichbar. Eine Alternative sind adaptive Verfahren, z.B. unter Verwendung adaptiver linearer Rangtests. Diese Methoden unterliegen weniger strengen Voraussetzungen an die Verteilungen der Daten und stellen daher eine vielversprechende Alternative dar. In diesem Vortrag werden verschiedene Verfahren und deren Eignung für die Praxis miteinander verglichen.

Wir untersuchen verschiedene adaptive Verfahren, insbesondere adaptive lineare Rangtests. Bei diesem zweistufigen Verfahren werden zunächst Eigenschaften der Verteilungen der Daten auf der Gesamtstichprobe geschätzt. Auf der zweiten Stufe wird auf Grundlage dieser Schätzungen eine lineare Rangteststatistik aus einer Schar linearer Rangstatistiken für das statistische Testen ausgewählt. In einer Monte-Carlo Simulationsstudie werden zwei in der Literatur diskutierte adaptive lineare Rangtests miteinander verglichen [1], [2]. Darüber hinaus betrachten optimale scores für Rangtests, die kontinuierlich aus den Daten geschätzt werden [3], das adaptive Trimmen von Lokationsparametern im Sinne einer Varianzanalyse von Welch [4], lokale robuste beste Tests [5], [6] und maximin-effiziente robuste Test [5], [7], [8].

In einer Monte-Carlo Simulationsstudie betrachten wir sowohl das Fehlerniveau als auch die Güte dieser Verfahren. Um Schiefe und Wölbung spezifisch auf einem Gitter von Parameterwerten wählen zu können, wurde für die Simulation der Daten die g-und-k-Verteilungsfamilie [9] verwendet. Die Verfahren werden anhand von realen eQTL Studien illustriert.

Die Ergebnisse der Monte-Carlo Simulation zeigen, dass adaptive lineare Rangtests eine echte Alternative zu herkömmlichen statistischen Verfahren sind. Sie halten das Signifikanzniveau unter der Nullhypothese ein und besitzen eine deutlich höhere statistische Macht als ein einzelner statistischer Test. Unter Verwendung der Simulationsresultate schlagen wir ein neues adaptives Verfahren vor, dass den bisher bekannten adaptiven linearen Rangtests aus der Literatur überlegen ist.


Literatur

1.
Büning H. Adaptive tests for the c-sample location problem – the case of two-sided alternatives. Commun Stat Theory Methods. 1996;25:1569-82.
2.
Beier F. Adaptive Tests bei nicht-monotonen Dosis-Wirkungsbeziehungen [dissertation]. Dortmund: Universität; 1996.
3.
O'Gorman TW. An adaptive test for the one-way layout. Can J Stat. 1997;25:269-79.
4.
Keselman HJ, Wilcox RR, Lixl LM, Algina J, Fradettel K. Adaptive robust estimation and testing. Br J Math Stat Psychol. 2007;60(Pt 2):267-93.
5.
Yuan A, Xu J, Yue Q, Zheng G. Detecting case-control expression quantitative trait loci using locally most powerful or maximin robust rank tests. Stat Med. 2011;31:887-900.
6.
Gastwirth JL. On robust procedures. J Am Stat Assoc. 1966:929-48.
7.
Gastwirth JL. The use of maximin efficiency robust tests in combining contingency tables and survival analysis. J Am Stat Assoc. 1985:380-4.
8.
Gastwirth J, Freidlin B. On power and efficiency robust linkage tests for affected sibs. Ann Hum Genet. 2000;64:443-53.
9.
Rayner G, MacGillivray H. Weighted quantile-based estimation for a class of transformation distributions. Comput Stat Data Anal. 2002;39:401-33.