Given the enormous amount of data g

Given the enormous amount of data generated in
these studies, sophisticated bioinformatics and
dedicated statisticians are fundamental.
In genomics and transcriptomics microarray data
analysis can prove difficult. Huge numbers of
variables (each gene) in microarray experiments
complicate the statistics and increase the
likelihood of false positives. Microarray changes
should be validated using real-time PCR. In
proteomics, the properties of many thousands of
ions are recorded in a single experiment and
complex algorithms are used to match these data to
a theoretical database to enable protein
identification and/or quantification. In
metabolomics, raw data require transformation to
a suitable format prior to processing. The methods
available for analysis comprise various statistical
techniques including univariate and multivariate
analysis, supervised and unsupervised learning
tools and system-based analyses. The aim of these
strategies is to find data patterns that provide
useful biological information which can be used to
generate further hypotheses for testing.
Omic strategies generate huge amounts of data and
multiple testing increases the likelihood of false
positives. Data validation is essential to ensure that
findings are not just random findings.P-values can
be corrected for multiple testing (false discovery
rate). Other methods of model validation include
the use of a ‘hold-out’or ‘test’set.18 The set used inproducing the model is called the training set.
Models built using the training data can then be
independently validated using the hold-out set.An
alternative method of independent model validation
is to use permutation testing.19 More robust methods
include confirming the observations with a
complementary technique and replicating the
experiment in a different sample set.20
There are many publications, across all the
biological sciences, pointing out the potential folly
of using profiling techniques such as metabolomics,
proteomics, transcriptomics and genomics in order
to discover clinically significant biomarkers.21–25
These areas of experimental design, sample
preparation, analytical techniques and data analysis
are covered in greater detail in a number of review
articles.

ผลลัพธ์ (ไทย) 1:

รับข้อมูลจำนวนมหาศาลที่สร้างขึ้นในการศึกษา bioinformatics ซับซ้อนเหล่านี้ และโดยเฉพาะ statisticians มีพื้นฐานในข้อมูล microarray genomics และ transcriptomicsวิเคราะห์พิสูจน์ได้ยาก ตัวเลขขนาดใหญ่ของตัวแปร (แต่ละยีน) ในการทดลอง microarrayสถิติซับซ้อน และเพิ่มการโอกาสผิดพลาด การเปลี่ยนแปลง Microarrayควรถูกตรวจสอบโดยใช้ PCR แบบเรียลไทม์ ในโปรตีโอมิกส์ คุณสมบัติของหลายพันไอออนจะถูกบันทึกไว้ในการทดลองเดียว และใช้อัลกอริทึมที่ซับซ้อนเพื่อให้ตรงกับข้อมูลเหล่านี้ไปฐานข้อมูลทางทฤษฎีเพื่อให้โปรตีนรหัสหรือนับ ในmetabolomics ข้อมูลดิบต้องเปลี่ยนแปลงรูปแบบที่เหมาะสมก่อนการประมวลผล วิธีการประกอบด้วยพร้อมใช้งานสำหรับการวิเคราะห์ทางสถิติเทคนิคหลายตัวแปรและไร univariateวิเคราะห์ ดูแล และทรัพย์สินการเรียนรู้เครื่องมือและระบบวิเคราะห์ จุดมุ่งหมายเหล่านี้กลยุทธ์คือการ หารูปแบบของข้อมูลที่ให้ข้อมูลทางชีวภาพที่เป็นประโยชน์ซึ่งสามารถนำไปใช้สร้างสมมติฐานสำหรับการทดสอบเพิ่มเติมกลยุทธ์อย่างกว้างขวางสร้างข้อมูลจำนวนมาก และการทดสอบหลายเพิ่มโอกาสในการผิดพลาดผลบวกปลอม ตรวจสอบข้อมูลเป็นสิ่งสำคัญเพื่อให้แน่ใจว่าผลการวิจัยไม่ได้ผลเพียงสุ่ม ค่า P สามารถสำหรับการทดสอบหลายเท็จ (ค้นพบราคา) รวมวิธีการของการตรวจสอบรุ่นอื่น ๆใช้เป็น ' ค้าง out'or ' test'set.18 ชุดที่ใช้ขึ้นรูปแบบเรียกว่าชุดการฝึกอบรมรุ่นที่สร้างขึ้นโดยใช้ข้อมูลการฝึกอบรมสามารถตรวจสอบอย่างอิสระโดยใช้การตั้งค้างออก มีวิธีอื่นของการตรวจสอบแบบอิสระคือการ เรียงสับเปลี่ยน testing.19 ใช้วิธีการอย่างสมบูรณ์รวมถึงการยืนยันข้อสังเกตกับการเสริมเทคนิคและจำลองการทดลองใน set.20 เป็นตัวอย่างมีหลายสิ่งพิมพ์ ทั้งหมดชีววิทยา ชี้ศักยภาพเขลาการใช้เทคนิคการสร้างโพรไฟล์เช่น metabolomicsโปรตีโอมิกส์ transcriptomics และ genomics ในใบสั่งการค้นพบสำคัญทางการแพทย์ biomarkers.21–25รวมถึงออกแบบการทดลอง ตัวอย่างการเตรียม การวิเคราะห์เทคนิค และการวิเคราะห์ข้อมูลครอบคลุมในรายละเอียดมากกว่าในจำนวนรีวิวบทความนี้

ผลลัพธ์ (ไทย) 3:

ให้ปริมาณมหาศาลของข้อมูลที่สร้างขึ้นในการศึกษาเหล่านี้ซับซ้อนและรสนโดยเฉพาะสถิติพื้นฐาน .ในไร microarray ข้อมูลทราน ริปโตมิกการวิเคราะห์สามารถพิสูจน์ได้ยาก ตัวเลขขนาดใหญ่ของตัวแปร ( แต่ละยีน ) ในการทดลอง microarrayซับซ้อนและเพิ่มสถิติโอกาสของผลบวกปลอม การเปลี่ยนแปลงไมโคร เรย์ควรตรวจสอบการใช้ PCR แบบเรียลไทม์ ในแสดงคุณสมบัติของหลายพันของไอออนจะถูกบันทึกไว้ในการทดลองเดียวขั้นตอนวิธีที่ซับซ้อนจะใช้ข้อมูลเหล่านี้เพื่อการแข่งขันฐานข้อมูลเชิงทฤษฎีเพื่อให้โปรตีนการระบุและ / หรือปริมาณ . ในเมตะโบโลมิกดิบต้องแปลงข้อมูลรูปแบบที่เหมาะสมก่อนการประมวลผล วิธีการการวิเคราะห์ทางสถิติของจำนวนต่าง ๆรวมทั้งเทคนิคชนิดตัวแปรเดี่ยวและหลายตัวแปรการวิเคราะห์แบบมีผู้สอน และการเรียนรู้แบบไม่มีผู้สอนเครื่องมือและระบบวิเคราะห์ข้อมูล เป้าหมายเหล่านี้กลยุทธ์คือการค้นหารูปแบบข้อมูลที่ให้ข้อมูลทางชีวภาพที่มีประโยชน์ซึ่งสามารถใช้สร้างสมมติฐานเพิ่มเติมสำหรับการทดสอบกลยุทธ์ omic สร้างยอดเงินขนาดใหญ่ของข้อมูลการทดสอบหลาย เพิ่มโอกาสของการปลอมแจ้ง การตรวจสอบข้อมูลเป็นสิ่งสำคัญเพื่อให้แน่ใจว่าข้อมูลสุ่ม findings.p-values สามารถไม่เพียงได้รับการแก้ไขสำหรับการทดสอบหลาย ๆ ( false ค้นพบคะแนน ) วิธีการอื่น ๆของรูปแบบการตรวจสอบรวมการใช้ ' ' test' hold-out'or set.18 ชุดใช้ inproducing รูปแบบที่เรียกว่าการตั้งค่ารุ่นที่สร้างขึ้นโดยใช้ข้อมูลการฝึกนั้น จะสามารถอิสระตรวจสอบการถือออกชุด .วิธีทางเลือกของรูปแบบการตรวจสอบอิสระคือการใช้วิธีเรียงสับเปลี่ยน testing.19 เสถียรภาพมากขึ้นรวมถึงการยืนยันการสังเกตด้วยแบบจําลองเทคนิคและการทดลองใน set.20 ตัวอย่างต่าง ๆมีสิ่งพิมพ์หลาย ทั่วทั้งหมดวิทยาศาสตร์ชีวภาพ ชี้ให้เห็นความโง่ที่มีศักยภาพการใช้เทคนิค เช่น เมตะโบโลมิกโปรไฟล์ ,และเพื่อแสดงในทราน ริปโตมิกการค้นพบที่สำคัญทางคลินิกใหม่ 21 – 25พื้นที่เหล่านี้ออกแบบการทดลอง ตัวอย่างการเตรียมการ เทคนิคการวิเคราะห์และการวิเคราะห์ข้อมูลจะครอบคลุมในรายละเอียดมากขึ้นในหลายรีวิวบทความ