BeadArrays 背景校正卷积模型研究

RMA 方法自提出以来 \cite{Iri03a, Iri03b, Iri06}，已在生物信息学家中广受欢迎。它已从指数 - 正态卷积发展为伽马 - 正态卷积，从单通道扩展到双通道，并从 Affymetrix 平台延伸至 Illumina 平台。Illumina 设计提供了两种探针类型：常规探针和对照探针。这种设计非常适合研究两者的概率分布，并可应用卷积模型计算真实的强度估计量。Illumina 平台提供的基准数据集 {\it Illumina spike-in} 有助于研究人员评估其针对 Illumina BeadArrays 提出的方法。在本文中，我们研究了文献中现有的用于 Illumina BeadArrays 背景校正的卷积模型，并提出了一种新的真实强度估计量，其中强度值服从指数分布或伽马分布，噪声服从对数正态分布。我们基于各种标准（例如均方根误差、$L_{1}$误差、Kullback-Leibler 系数以及源自 Affycomp \cite{Cop04} 的一些适应性标准）在 Illumina spike-in 数据集上比较了这些模型的性能。随后，我们提供了一项模拟研究，以衡量背景校正误差和参数化的一致性。我们还研究了所有模型在 FFPE 数据集上的性能。我们的研究表明，对于具有基准标准的基准数据集，我们的 GLNn 模型是最优的；而对于具有模拟标准的基准数据集，伽马 - 正态模型表现最佳。在公开的 FFPE 数据集中，带有最大似然估计 (MLE) 的伽马 - 正态模型和指数 - 伽马模型无法使用，而我们提出的 ELN 和 GLN 模型表现最佳，显示出在背景校正和参数化方面具有适度的误差。