臺灣博碩士論文加值系統

cDNA 微陣列 (cDNA Microarray) 是近十年所發展的生物技術，可同時檢測上萬基因的表現量。在同時能夠檢測上萬基因的優勢下，要使用何種方法來處理非常龐大的數據也變得十分重要。由於統計方法的應用能夠將龐大的資料所隱含著複雜的意義清楚的呈現出來，因此在 cDNA 微陣列技術中扮演了相當重要的角色。
本篇論文主要是探討染劑對於基因表現量檢測所造成的影響。由於染劑效應是 cDNA 微陣列實驗常發生的現象，若能夠發現染劑效應對於檢測基因表現量的影響以減低實驗結果的錯判，並進而找出染劑效應發生的原因，不論是對近程實驗結果的正確性或對遠程微陣列技術未來的發展都會有相當大的幫助。
本論文對此主題的討論方式是藉由分析清華大學原子科學系分子生醫光電實驗室 (Molecular Bio-Photonics Lab , MBPL) 所提供的實驗數據來進行，著重的部分在於分析該實驗數據是否確實有染劑效應的發生，以及尋找該現象發生的可能原因。已有文獻以 ANOVA model 分析並探討染劑效應，本論文採用的則是文中提及較為精簡且誤差較低的 log ratio model ，並且以實驗數據的散佈圖所呈現的特殊趨勢和統計分析的結果互相佐證，說明染劑效應確實存在於該實驗數據中。另外，也同樣以染劑效應檢定為主軸，在此實驗數據中討論歸一化 (Normalization) 的不同對其檢定結果的影響。
本論文亦在生物及物理意義上探究染劑效應的發生原因，以期能將統計分析結果於實際的意義上找到特殊的規則或趨勢，提供未來解決染劑效應問題的初步構思。

目錄

摘要 I
致謝詞 II
目錄 III

第一章 前言 1

第二章 cDNA 微陣列技術原理及實驗流程 3
2-1 cDNA 微陣列技術原理 3
2-2 cDNA 微陣列實驗流程 5

第三章 歸一化方法 9

第四章 cDNA 微陣列實驗變異來源解析及分析方法說明 13
4-1 變異因子 13
4-2 模型建立 14
4-2.1 ANOVA Model 14
4-2.2 Log Ratio Model 16
4-2.3 ANOVA Model 和 Log Ratio Model 之比較 18
4-3 Log Ratio Linear Model 的統計檢定 22

第五章 染劑效應的檢定 25
5-1 資料來源簡介 25
5-2 建立模型 26
5-3 分析結果 29
5-4 生物意義 34

第六章 結論與討論 39

附錄 40

參考文獻 47

參考文獻

1. Brown P. O.，Botstein D. (1999) Exploring the new world of the genome with DNA microarray. Suppl Nat Genet. 21：33~37.

2. Cleveland William S. (1979) Robust Locally Weighted Regression and Smoothing Scatterplots. Journal of the American Statistical Association. Volume 74：829~836.

3. Debouck C. Goodfellow PN (1999) DNA microarrays in drug discovery and development. Nature genet. 21：48~50.

4. Dobbin K. K.，Kawasaki E. S.，Petersen D. W. and Simon R. M. (2005) Characterizing dye bias in microarray experiments. Bioinformatics. Vol. 21：2430~2437.

5. Dombkowski Alan A.，Thibodeau Bryan J.，Starcevic Susan L.，Novak Raymond F. (2004) Gene-specific dye bias in microarray reference designs. Federation of European Biochemical Societies. 560：120~124.

6. Duggan David J.，Bittner Michael，Chen Yidong，Meltzer Paul and Trent Jeffrey M. (1999) Expression profiling using cDNA microarrays. Nature genetics supplement. Volume 21.

7. Heller R. A.，Davis R. W. (1997) Discovery and analysis of inflammatory disease-related genes using cDNA microarray. Proc. Natl. Acad. Sci. USA. 94：2150~2155.

8. Ideker T.，Thorsson V.，Siegel A. F.，Hood L. E. (2000) Testing for Differentially-Expressed Genes by Maximum-Likelihood Analysis of Microarray Data. Journal of Computational Biology. Volume 7：805~817.

9. Kerr M. K. and Churchill G. A. (2000) Experimental design for gene expression Microarrays. Biostatistics. 2：183~201.

10. Kerr M. K. and Churchill G. A. (2001) Statistical design and the analysis of expression Microarray data. Genet. Res. 77：123~128.



11. Martin-Magniette Marie-Laure，Aubert Julie，Cabannes Eric and Daudin Jean-Jacques (2005) Evaluation of the gene-specific dye bias in cDNA microarray experiments. Bioinformatics. Vol. 21：1995~2000.

12. Montgomery Douglas C.，Elizabeth A. Peck，G. Geoffrey Vining. (2001) Introduction to linear regression analysis 3rd edition，Wiley-interscience.

13. Perou C. M.，Jeffrey S. S.，Ri jn M，Shalon D.，Brown P. O.，Botstein D. (1999) Distinctive gene expression patterns in human mammary epithelial cells and breast cancers. Proc. Natl. Acad. Sci. USA. 96：9212~9217.

14. Rao C. R. and Toutenburg H. (1999) Linear Model. Springer, New York.

15. Schena M.，Shalon D.，Heller R.，Chai A，Brown P. O.，Davis R. W. (1996) Parallel human genome analysis：Microarray-based expression monitoring of 1000 genes. Proc. Natl. Acad. Sci. USA. 93：10614~10619.

16. Wang K.，Gan L.，Jeffery E.，Gayle M.，Gown A. M.，Skelly M.，Nelson P. S.，NG WV，Schummer M.，Hood L.，Mulligan J. (1999) Monitoring gene expression profile changes in ovarian carcinomas using cDNA microarray. Gene. 299：101~108.

17. Yang Y. H.，Dudoit S.，Luu P.，Lin D. M.，Peng V.，Ngai J. and Speed T. P. (2002) Normalization for cDNA Microarray data：A robust composite method addressing single and multiple slide systematic variation. Nucleic Acids Research. Vol. 30：No.4 e15.

18. 王陽照 (2003) cDNA 微陣列的實驗設計與數據分析，國立清華大學統計學研究所碩士論文。