ISBN 9783843909792

978-3-8439-0979-2, Reihe Statistik

Astrid Zierer
Multiples Testen und die Kontrolle der gFWER in der statistischen Analyse genetischer Daten

180 Seiten, Dissertation Universität Bremen (2012), Softcover, A5

Zusammenfassung / Abstract

In dieser Arbeit wurden die speziellen Anforderungen an multiple Testprozeduren deutlich gemacht, die sich, gerade auf dem Gebiet der Genetik, durch neue Technologien und eine damit verbundene immense Datenmenge stellen. Eine weitere Besonderheit ist, dass von zum Teil starken Abhängigkeiten zwischen den Genen ausgegangen wird, da z.B. nahe beieinander liegende SNPs getestet werden oder bei der Expression ganze Gruppen von Genen gemeinsam reguliert werden und interagieren. So ist vor allem mit positiven, aber auch negativen Korrelationen zwischen den Genen zu rechnen. Für Simulationen lässt sich eine solche Situation beispielsweise durch eine blockweise Korrelationsstruktur gut modellieren. Ähnliche Gegebenheiten tauchen aber auch in anderen Anwendungsbereichen, gerade mit der Bereitstellung immer größerer Datenmengen auf. Die hier beschriebenen Methoden, die mit Fokus auf eine Anwendung im Bereich der Genetik entwickelt wurden, können so auch allgemein eingesetzt werden.

Die Grundlage für die Beurteilung von Fehlentscheidungen im multiplen Testen bilden die Fehlerraten. Es wurde eine Übersicht über die verschiedenen Fehlerraten gegeben und diskutiert, inwieweit sie für den Einsatz in der Genetik eine sinnvolle Alternative zur FWER darstellen. Dazu wurde auch ein ausführlicher Überblick über die verschiedenen Konzepte gegeben, die für die einzelnen Prozeduren zur Kontrolle einer Fehlerrate eingesetzt werden können. Für Situationen, bei denen davon ausgegangen werden kann, dass die einzelnen Teststatistiken nicht unabhängig sind, sondern vielmehr eine inhaltlich begründete Abhängigkeitsstruktur vorhanden ist, spielen Resampling-basierte Verfahren eine wichtige Rolle. Sie ermöglichen es, implizit die in den Daten vorhandene Abhängigkeitsstruktur mit zu modellieren, ohne dass dabei eine Verteilungsannahme für die Daten getroffen werden muss. Die Wahl eines Bootstrap-Verfahrens gegenüber einem Permutation-Verfahren hat den Vorteil, dass ein breiteres Spektrum an Modellen möglich ist. Beispielsweise muss für einen Test auf Unterschiede in den Erwartungswerten nicht davon ausgegangen werden, dass die Verteilungen beider Gruppen unter der Nullhypothese insgesamt identisch sind. Des Weiteren kann zwischen einem einschrittigen (single-step) oder schrittweisen (step-down oder step-up) Vorgehen bei der Entscheidung über die einzelnen Hypothesen differenziert werden. Ein schrittweises Vorgehen ist weniger konservativ, erfordert dafür aber für jeden Schritt eine Anpassung des Niveaus bzw. des adjustierten p-Wertes.