베이지안 계층적 모형을 이용한 역상 단백질 어레이 자료의 정량화 방법

• 영문명: A Bayesian Hierarchial Model for Reverse Phase Protein Array Quantification, with a Particular Focus on the Real Data Analysis
• 발행기관: 한국자료분석학회
• 저자명: 양지연(Ji-Yeon Yang)
• 간행물 정보: 『Journal of The Korean Data Analysis Society (JKDAS)』Vol.18 No.2, 719~732쪽, 전체 14쪽
• 주제분류: 자연과학 > 통계학
• 파일형태: PDF
• 발행일자: 2016.04.30

국문 초록

단백질 지표를 발견하고 단백질들간의 상호작용을 밝히기 위하여 단백질 마이크로어레이에 대한 관심이 높아져가고 있다. 그중 역상 단백질 어레이는 특정 단백질에 대한 여러 샘플의 단백질 농도를 측정하는 데 쓰이는 기술로 최근 각광을 받고 있다. 역상 단백질 어레이 자료는 중복실험 및 여러 차례의 희석으로 인하여 모형의 오차가 독립적이고 동일한 분포를 따른다는 가정을 이용할 수 없음에도 불구하고, 기존 논문에서는 이를 전혀 반영하지 못하거나 인식은 하지만 구체적인 모형을 제시하지 못하고 있다. 본 연구에서는 동일한 샘플내 중복실험에 대한 랜덤효과와 교란항의 이분산을 고려한 베이지안 계층적 모형을 제안하였다. 또한 추정 방법으로 메트로폴리스-해스팅스와 깁스 샘플링 알고리즘을 제시하였다. 실제 자료를 이용하여 베이지안 계층적 모형과 랜덤효과를 고려하지 않은 단순 모형의 추정 결과를 비교하였다. 두 모형 간에는 특히 표준편차, 최고사후밀도구간의 길이에 큰 차이를 보였다. 또한 대조 샘플과 비교한 상대적인 단백질 발현 수준을 검토했을 때 일부 샘플의 경우 두 모형은 서로 다른 결론에 이르러 자칫 잘못된 통계적 추론을 야기할 수 있음을 확인할 수 있었다.

영문 초록

Protein microarray has been successfully used for biomarker identification, drug target discovery, and protein-protein interaction studies. Reverse phase protein array, a type of protein microarray is receiving increased attention lately as a sensitive tool for measuring protein concentrations in a large number of samples. Previous studies of reverse phase protein array quantification have failed to take into account the error structure, or to present an adequate model that can accommodate the data with several dilutions and replicates. In this study, we proposed a Bayesian hierarchical model that introduces random effects and heteroscedasticity. For computation, we employed the Metropolis-Hastings-within-Gibbs sampling. Using real data we compared the proposed model with a naïve model where random effects were ignored. In result, there were noticeable differences in standard deviations and posterior density interval lengths. Especially when we examined the relative expression levels of protein as compared to the reference sample, two models reached contradictory conclusions in a few cases. It warns that ignoring random effects in modeling may cause wrong statistical inference, when they exist in the data.

목차

1. 서론

2. 베이지안 계층적 모형과 마코프체인 몬테카를로 기법

3. 실제자료 분석

4. 결론 및 제언

References

키워드

역상 단백질 어레이 자료 랜덤효과 베이지안 계층적 모형 마르코프 연쇄 몬테카를로 reverse phase protein array data random effects Bayesian hierarchical model MCMC