se ha leído el artículo
array:18 [ "pii" => "13057538" "issn" => "00257753" "estado" => "S300" "fechaPublicacion" => "2004-02-15" "documento" => "article" "crossmark" => 0 "subdocumento" => "fla" "cita" => "Med Clin. 2004;122 Supl 1:73-9" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:2 [ "total" => 5922 "formatos" => array:3 [ "EPUB" => 8 "HTML" => 5488 "PDF" => 426 ] ] "itemAnterior" => array:15 [ "pii" => "13057537" "issn" => "00257753" "estado" => "S300" "fechaPublicacion" => "2004-02-15" "documento" => "article" "crossmark" => 0 "subdocumento" => "fla" "cita" => "Med Clin. 2004;122 Supl 1:68-72" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:2 [ "total" => 4389 "formatos" => array:3 [ "EPUB" => 8 "HTML" => 3788 "PDF" => 593 ] ] "es" => array:11 [ "idiomaDefecto" => true "titulo" => "Métodos estadísticos para analizar el riesgo con patrones de distribución espacial" "tienePdf" => "es" "tieneTextoCompleto" => "es" "tieneResumen" => array:2 [ 0 => "es" 1 => "en" ] "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "68" "paginaFinal" => "72" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Statistical methods to analyze risk with spatial distribution patterns" ] ] "contieneResumen" => array:2 [ "es" => true "en" => true ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "Rosa M Abellana, Carlos Ascaso" "autores" => array:2 [ 0 => array:2 [ "nombre" => "Rosa M" "apellidos" => "Abellana" ] 1 => array:2 [ "nombre" => "Carlos" "apellidos" => "Ascaso" ] ] ] ] ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/13057537?idApp=UINPBA00004N" "url" => "/00257753/00000122000000S1/v0_201307292058/13057537/v0_201307292101/es/main.assets" ] "es" => array:13 [ "idiomaDefecto" => true "titulo" => "Uso de chips de ADN (microarrays) en medicina: fundamentos técnicos y procedimientos básicos para el análisis estadístico de resultados" "tieneTextoCompleto" => true "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "73" "paginaFinal" => "79" ] ] "autores" => array:1 [ 0 => array:3 [ "autoresLista" => "Víctor Moreno, Xavier Solé" "autores" => array:2 [ 0 => array:3 [ "nombre" => "Víctor" "apellidos" => "Moreno" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">a</span>" "identificador" => "affa" ] ] ] 1 => array:3 [ "nombre" => "Xavier" "apellidos" => "Solé" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">a</span>" "identificador" => "affa" ] ] ] ] "afiliaciones" => array:1 [ 0 => array:3 [ "entidad" => "Unidad de Bioestadística y Bioinformática. Servicio de Epidemiología y Registro del Cáncer. Instituto Catalán de Oncología. Hospital Duran i Reynals. L'Hospitalet de Llobregat. Barcelona. España." "etiqueta" => "<span class="elsevierStyleSup">a</span>" "identificador" => "affa" ] ] ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Use of DNA chips (microarrays) in medicine: technical foundations and basic procedures for statistical analysis of results" ] ] "textoCompleto" => "<p class="elsevierStylePara">Introducción</p><p class="elsevierStylePara">El genoma de los seres vivos es el conjunto de genes que se encuentran distribuidos en cromosomas. Los genes, a su vez, son secuencias de ADN que contienen toda la información necesaria para sintetizar las proteínas, moléculas esenciales para la vida que realizan prácticamente todas las funciones celulares. Cuando un gen se «activa» para dar lugar a su proteína correspondiente, diremos que ese gen se está expresando en esa célula. Es conocido que anomalías en la expresión de los genes pueden llevar a disfunciones celulares, provocando graves enfermedades como el cáncer, entre muchas otras. Los genes que tengan su expresión alterada en un tejido tumoral respecto a un tejido sano del mismo órgano, por ejemplo, serán claros candidatos a tener alguna implicación en el proceso neoplásico. Por lo tanto, la identificación de los genes desregulados es un paso importante para conocer las bases moleculares de muchas enfermedades de carácter genético.</p><p class="elsevierStylePara">Desde mediados de los años noventa existe la técnica de los <span class="elsevierStyleItalic"> microarrays</span> de ADN, que permite monitorizar simultáneamente el nivel de expresión de miles de genes en un conjunto de células. Sin embargo, la potencia que nos ofrece esta herramienta implica nuevos retos en lo que se refiere al análisis estadístico. Los datos que se generan con <span class="elsevierStyleItalic">microarrays</span>, aparte de tener un gran volumen, se caracterizan por ser altamente variables, por lo que serán básicos tanto el análisis estadístico como el diseño experimental que se plantee para solucionar las diferentes cuestiones biológicas que nos propongamos.</p><p class="elsevierStylePara">En este trabajo explicaremos primero con más detalle qué es un <span class="elsevierStyleItalic"> microarray</span> y cómo funciona, para después tratar sobre cuáles son sus principales usos. Seguidamente hablaremos de los diferentes diseños experimentales que se pueden utilizar, y pasaremos a tratar las diversas partes que componen el análisis de un <span class="elsevierStyleItalic">microarray</span>, desde el procesamiento de la imagen y control de calidad de los datos hasta el tratamiento estadístico para identificar genes de interés. Finalmente, hablaremos sobre las diferentes técnicas de análisis multivariante que se pueden utilizar para extraer el máximo conocimiento de nuestros datos. La figura 1 muestra un esquema con los aspectos más relevantes de un protocolo de experimentos con <span class="elsevierStyleItalic"> microarrays</span>.</p><p class="elsevierStylePara"> </p><p class="elsevierStylePara"><span class="elsevierStyleItalic">Fig. 1. Protocolo a seguir en un experimento de</span> microarrays<span class="elsevierStyleItalic">y partes que componen su análisis estadístico.</span></p><p class="elsevierStylePara">¿Qué es un <span class="elsevierStyleItalic"> microarray</span> de ADN y cómo funciona?</p><p class="elsevierStylePara">Los <span class="elsevierStyleItalic">microarrays</span> de ADN son una herramienta que permite realizar análisis genéticos diversos basados en la miniaturización de procesos biológicos. La primera aplicación de esta tecnología fue para medir simultáneamente el nivel de expresión de miles de genes<span class="elsevierStyleSup">1</span>. Las mejoras tecnológicas han perfeccionado la calidad y han ampliado el espectro de aplicaciones, de manera que los <span class="elsevierStyleItalic">microarrays</span> se han consolidado como herramientas útiles en investigación genética con aplicaciones en medicina<span class="elsevierStyleSup">2,3</span>. El funcionamiento de los <span class="elsevierStyleItalic">microarrays</span> de expresión se basa en la capacidad de las moléculas complementarias de ADN de hibridar entre sí. Pequeñas cantidades de ADN, correspondientes a diversos genes cuya expresión se desea medir, son depositadas en una base de cristal. Para ello se utilizan robots de precisión que usan unas agujas especiales para obtener las moléculas de sus recipientes y depositarlas en las coordenadas adecuadas. A estas muestras de ADN depositadas en el <span class="elsevierStyleItalic">microarray</span> las denominaremos dianas. En un <span class="elsevierStyleItalic">microarray</span> típico, una superficie de 2 * 2 cm puede contener más de 10.000 dianas en forma de pequeños puntos separados adecuadamente (fig. 2). De las células que queramos medir su expresión obtendremos una muestra de ARN que se convertirá en ADN complementario (ADNc) y se marcará con una molécula fluorescente. A esta muestra marcada la denominaremos sonda y se enfrentará a las dianas del <span class="elsevierStyleItalic">microarray</span>. Cada molécula de ADNc marcada de la sonda se moverá por difusión hacia la diana que contenga su molécula complementaria para hibridarse con ella y quedar fijada allí. Después de un tiempo para que la mayoría de las cadenas complementarias hibriden, el <span class="elsevierStyleItalic">microarray</span> se lava y se procede a hacer una medición relativa de la cantidad de ADN de la sonda que ha quedado fijada en cada diana.</p><p class="elsevierStylePara"> </p><p class="elsevierStylePara"><span class="elsevierStyleItalic">Fig. 2. Imagen de un</span> microarray <span class="elsevierStyleItalic">de ADNc. Contiene 4.608 clones depositados por duplicado en un soporte sólido, que habitualmente suele ser de vidrio.</span></p><p class="elsevierStylePara">Existe otra tecnología que emplea oligonucleótidos (secuencias cortas de ADN, de unas 15-30 bases)<span class="elsevierStyleSup">4</span>. Estos oligonucleótidos, en lugar de ser depositados en el soporte mediante un robot, son sintetizados directamente sobre el soporte mediante una técnica denominada fotolitografía que es similar a la empleada para confeccionar circuitos microelectrónicos sobre silicio. Esta tecnología requiere una infraestructura muy sofisticada y su empleo por el momento está limitado a unas pocas empresas especializadas entre las que destaca Affymetrix. Para detectar la expresión de un gen se emplea una serie amplia de oligonucleótidos, alrededor de 30, por lo que estos <span class="elsevierStyleItalic">microarrays</span> contienen muchas más dianas, lo que es factible porque la fotolitografía permite obtener mayores densidades.</p><p class="elsevierStylePara">¿Para qué sirven los <span class="elsevierStyleItalic">microarrays</span> de ADN?</p><p class="elsevierStylePara">Las aplicaciones de los <span class="elsevierStyleItalic">microarrays</span> se amplían cada día, aunque por el momento hay 3 grandes áreas consolidadas:</p><p class="elsevierStylePara"><span class="elsevierStyleItalic">El análisis del nivel de expresión génica</span></p><p class="elsevierStylePara">Ya se ha mencionado y se explicará con mayor detalle más adelante. En estos experimentos se obtienen datos sobre el nivel de expresión de miles de genes. A partir de estos datos, empleando un diseño experimental correcto y técnicas estadísticas adecuadas, se pueden realizar estudios de diagnóstico y caracterización de tumores u otros tejidos<span class="elsevierStyleSup">5-8</span>, identificación de los genes que modifican su expresión tras la administración de fármacos<span class="elsevierStyleSup">9</span> o identificación de genes con valor pronóstico<span class="elsevierStyleSup">10,11</span>. También se han empleado para asignar función a secuencias de ARN que se expresan pero cuya función era desconocida (EST) y para identificar grupos de genes que forman redes de regulación génica<span class="elsevierStyleSup">12</span>. Otras aplicaciones son el diagnóstico de enfermedades infecciosas a partir de la detección del genoma del germen en tejidos<span class="elsevierStyleSup">13,14</span>.</p><p class="elsevierStylePara"><span class="elsevierStyleItalic"> Genotipificación</span></p><p class="elsevierStylePara">Una muestra de ADN obtenida de un tejido o fluido, adecuadamente amplificada, puede ser estudiada para detectar mutaciones en genes de interés o variantes génicas (polimorfismos en un nucleótido, SNP en la terminología de este campo). Esta metodología tiene usos potenciales para la detección de riesgo o susceptibilidad para presentar enfermedades<span class="elsevierStyleSup">15,16</span>. Variantes de estos <span class="elsevierStyleItalic">microarrays</span> permiten secuenciar genes con mutaciones conocidas.</p><p class="elsevierStylePara"><span class="elsevierStyleItalic">Detección del número de copias del ADN</span></p><p class="elsevierStylePara">Similar a la técnica de hibridación genómica comparada (CGH), se han diseñado <span class="elsevierStyleItalic">microarrays</span> para detectar ganancias o pérdidas alélicas en miles de secuencias, lo que permite obtener mapas cromosómicos mucho más detallados que la CGH tradicional<span class="elsevierStyleSup">17</span>. Estas técnicas tienen interés potencial en el estudio del pronóstico de tumores, ya que éste se halla asociado al nivel de daño genómico. También puede ser útil para detectar nuevos oncogenes y genes supresores de tumores.</p><p class="elsevierStylePara">¿Cómo se usan los <span class="elsevierStyleItalic"> microarrays</span>de expresión?</p><p class="elsevierStylePara">Se describirá en este apartado la metodología empleada en <span class="elsevierStyleItalic">microarrays</span> de ADNc (fig. 3). El objetivo del experimento es detectar genes que se expresan en un tejido. El proceso se inicia con la extracción del ARN de la muestra. El ARN es muy inestable y se degrada en pocos minutos, por lo que los tejidos deben ser frescos o congelados inmediatamente tras su obtención. El ARN se convierte en ADNc mediante una transcriptasa reversa y en este proceso se marca con un fluorocromo, es decir, con una molécula que posteriormente emitirá luz al ser excitada mediante una luz láser adecuada.</p><p class="elsevierStylePara"> </p><p class="elsevierStylePara"><span class="elsevierStyleItalic">Fig. 3. Esquema del funcionamiento de un</span> microarray<span class="elsevierStyleItalic">de ADNc. De 2 muestras diferenciadas, A y B, se extrae el ARN, que después será retrotranscrito a ADNc y marcado con unos fluorocromos (moléculas que emiten luz cuando son excitadas). Los 2 ADNc marcados con distintos fluorocromos, llamados sondas en la terminología de los</span> microarrays<span class="elsevierStyleItalic">, se hibridan conjuntamente de manera competitiva contra un conjunto de ADNc diana depositados en un soporte de vidrio</span> (microarray)<span class="elsevierStyleItalic">, obteniéndose así una imagen como la de la figura.</span></p><p class="elsevierStylePara">La sonda de ADNc marcado, que contiene una muestra de los genes que se expresan en el tejido de origen, se hibridará con las secuencias diana depositadas en el <span class="elsevierStyleItalic">microarray,</span> que son complementarias a las expresadas. Debido a que la eficiencia del marcado puede ser variable según los genes, y que la cantidad de ADN diana puede no ser igual de un <span class="elsevierStyleItalic">microarray</span> a otro, normalmente se realizan experimentos en competición. Éstos consisten en comparar sobre un mismo <span class="elsevierStyleItalic">microarray</span> 2 muestras de ADN de tejidos diferentes, cada una marcada con un fluorocromo distinto. Las 2 muestras se mezclan y se hibridan simultáneamente sobre el <span class="elsevierStyleItalic">microarray</span>. Este diseño experimental es ventajoso en cuanto que las comparaciones entre las 2 muestras de un <span class="elsevierStyleItalic">microarray</span> tienen menor variabilidad que las comparaciones de muestras de diferentes <span class="elsevierStyleItalic">microarrays</span> y también se reduce a la mitad el número de <span class="elsevierStyleItalic"> microarrays</span> necesarios.</p><p class="elsevierStylePara">Una vez se ha producido la hibridación, el <span class="elsevierStyleItalic">microarray</span> se lee con un escáner láser y se obtienen 2 imágenes, una para cada fluorocromo usado, con puntos de luz cuyas intensidades variarán según el nivel de hibridación que se haya producido en cada diana. Estas imágenes se procesan mediante un software que cuantifica la señal de cada punto (diana) para cada fluorocromo (muestra) y elabora una base de datos que será analizada con técnicas estadísticas. Con frecuencia se elabora una imagen superpuesta de las dos en forma de seudocolor. Una de las imágenes se colorea en rojo y la otra en verde. De esta manera, los puntos amarillos tienen señal alta en las 2 muestras en cantidad similar. Los puntos rojos o verdes indican que la expresión de ese gen predomina en una de las muestras (fig. 2).</p><p class="elsevierStylePara">Diseño de experimentos</p><p class="elsevierStylePara">Como ya se ha mencionado, en un <span class="elsevierStyleItalic">microarray</span> de ADNc se analizan simultáneamente 2 muestras. Esta limitación no impone restricciones en el tipo de estudios que pueden realizarse, pero hace necesario que se utilicen diseños adecuados. Como la tecnología de <span class="elsevierStyleItalic"> microarrays</span> es muy cara, algunos investigadores están tentados de realizar experimentos sin réplicas. De hecho, existe una serie amplia de técnicas que pretenden identificar qué genes se expresan de manera diferente en 2 tejidos a partir de un único <span class="elsevierStyleItalic">microarray.</span> Estos métodos consisten en definir un umbral en la razón de intensidades a partir del que se considera que existe un cambio significativo. El método más simple emplea un valor de umbral fijo que suele ser 2, es decir, la señal de expresión de un canal tiene una intensidad doble que la del otro. Este método no se basa en criterios estadísticos e ignora por tanto la variabilidad observada en la razón de intensidades. Otros métodos que utilizan criterios estadísticos son los de Chen, que define el umbral según la variabilidad observada<span class="elsevierStyleSup">18</span>; el de Sabatti, que emplea información de un experimento de reproducibilidad<span class="elsevierStyleSup">19</span>, y el de Newton, que usa una aproximación bayesiana empírica<span class="elsevierStyleSup">20</span>. Hoy día, sin embargo, se reconoce que los experimentos basados en un único <span class="elsevierStyleItalic">microarray</span> tienen poca validez, pues los datos tienen gran variabilidad que es necesario controlar con el empleo de un número de réplicas y de tamaños de muestra adecuados<span class="elsevierStyleSup">21-26</span>.</p><p class="elsevierStylePara">Otro aspecto importante para el diseño es el tipo de control a emplear y la distribución de muestras entre <span class="elsevierStyleItalic">microarrays</span>. Para aprovechar la reducción de variabilidad en las comparaciones dentro de un <span class="elsevierStyleItalic">microarray,</span> el diseño óptimo es aquel que enfrenta en un <span class="elsevierStyleItalic">microarray</span> 2 muestras que interesa comparar directamente. Por ejemplo, en la búsqueda de genes que se expresen diferencialmente en tumores respecto al tejido sano se hibridarán conjuntamente las muestras del mismo individuo (fig. 4a).</p><p class="elsevierStylePara"> </p><p class="elsevierStylePara"><span class="elsevierStyleItalic">Fig. 4. Diferentes modelos experimentales que se pueden utilizar en los experimentos con</span> microarrays <span class="elsevierStyleItalic">de ADNc. La dirección de la flecha indica el fluorocromo con que se marca la muestra (base: rojo y punta verde). A: varias muestras apareadas de dos condiciones (A/B). B: cada muestra (A, B, C) se hibrida con una referencia común (R). C: diseño circular de 3 muestras. D: diseño factorial, que permite evaluar simultáneamente 2 factores como tipo de tejido (A/B) y tratamiento (1/2).</span></p><p class="elsevierStylePara">Si se desea comparar más de dos condiciones entre sí, los diseños (maneras de aparear las muestras) pueden ser variados. Se han utilizado con frecuencia diseños que aparean cada muestra con un patrón común, que suele ser una combinación de varias de ellas (fig. 4b). Este diseño es fácil de entender y permite realizar comparaciones individuales entre las muestras, pero no es óptimo. Los diseños circulares (fig. 4c) o factoriales (fig. 4d) son más convenientes para obtener la mejor razón entre la varianza del error (residual) y el número de <span class="elsevierStyleItalic"> microarrays</span> empleado<span class="elsevierStyleSup">21,25</span>.</p><p class="elsevierStylePara">Análisis de la imagen</p><p class="elsevierStylePara">La cuantificación de la señal a partir de las imágenes es un proceso muy importante ya que determina los valores que posteriormente se analizarán. En la actualidad existen múltiples herramientas, tanto comerciales como de libre distribución (ScanAlyze, de la Universidad de Stanford), diseñadas exclusivamente para analizar las imágenes de <span class="elsevierStyleItalic"> microarrays</span>. Las imágenes a analizar suelen ser 2 archivos en formato TIFF en escala de grises de 16 bits, es decir, cada píxel puede tener una intensidad de señal entre 0 y 2<span class="elsevierStyleSup">16</span> ­1 (65.535).</p><p class="elsevierStylePara">El proceso de análisis de la imagen se puede dividir en 3 etapas. En primer lugar se localizan los puntos a partir de los datos que proporciona el fabricante del <span class="elsevierStyleItalic">microarray</span> (cuántos puntos hay, cómo están agrupados, separación teórica entre los centros). A continuación se realiza la segmentación, que consiste en identificar qué píxeles corresponden a un punto y qué píxeles son fondo. Por último, se procede a la cuantificación, a menudo como el promedio o la mediana de las intensidades de los píxeles que forman el punto. En este apartado es importante que el software proporcione varias medidas que puedan ser empleadas como indicadores de la calidad del punto. Medidas típicas son los índices de circularidad, diámetro máximo, perímetro, homogeneidad de la señal dentro del punto, etc. También es necesario obtener una medida del fondo, es decir, el nivel de señal en los píxeles reconocidos como fuera de los puntos. Este valor normalmente se sustrae de la intensidad en el punto para obtener la intensidad neta. La razón entre la señal en el punto y en el fondo también es un índice de calidad importante.</p><p class="elsevierStylePara">Análisis estadístico</p><p class="elsevierStylePara">Una vez se han analizado las imágenes y almacenado los datos, la última parte del proceso consiste en realizar su análisis estadístico. Estos análisis pueden tener diferentes objetivos y emplean técnicas específicas:</p><p class="elsevierStylePara"><span class="elsevierStyleItalic">Control de calidad de los datos</span></p><p class="elsevierStylePara">Consiste en detectar valores incorrectos para su posterior exclusión de los análisis. Estos valores incorrectos pueden surgir por problemas en la calidad de los experimentos o por accidentes durante su manipulación, como rascadas en la superficie del <span class="elsevierStyleItalic">microarray</span>. Su detección puede realizarse empleando límites de tolerancia en los indicadores de calidad del punto. Es muy útil que el diseño del <span class="elsevierStyleItalic"> microarray</span> incluya réplicas de una misma diana. La comparación de las réplicas permite identificar casos discordantes (fig. 5).</p><p class="elsevierStylePara"> </p><p class="elsevierStylePara"><span class="elsevierStyleItalic">Fig. 5. Control de calidad de la hibridación. A: diferencias de intensidad considerables entre las dos réplicas de un clon. B: problemas en la segmentación debidas a una mota de polvo en el chip.</span></p><p class="elsevierStylePara"><span class="elsevierStyleItalic">Normalización de los datos</span></p><p class="elsevierStylePara">El objetivo de la normalización es eliminar la variabilidad sistemática introducida por el proceso técnico que no está relacionada con el nivel de expresión<span class="elsevierStyleSup">27</span>. Las 2 imágenes de un <span class="elsevierStyleItalic">microarray</span> se obtienen por separado, cada una con una longitud de onda diferente (normalmente rojo y verde) y una potencia que debe ajustarse de manera independiente para evitar saturación. El ajuste independiente hace que las 2 imágenes no sean comparables en cuanto a intensidad si no se normalizan previamente.</p><p class="elsevierStylePara">Existen múltiples métodos para normalizar. La mayoría supone que son pocos los genes que cambiarán su expresión, por lo que el promedio estimado por un método robusto debe centrarse. El método más recomendado emplea modelos de regresión de datos suavizados mediante técnicas no paramétricas que capturen la no linealidad como el <span class="elsevierStyleItalic"> lowess</span><span class="elsevierStyleSup">28</span>, dado que las diferencias entre imágenes suelen tener una distribución variable con la intensidad<span class="elsevierStyleSup">27</span>. En la figura 6a se muestran los datos de un experimento en el que el ADNc de un mismo tejido se marcó con los 2 fluorocromos (R y G). Esperaríamos que la nube de puntos se situara alrededor de la recta con pendiente 1 que pasa por el origen. Puede apreciarse que la nube de puntos está desplazada por debajo de la línea teórica y muestra una desviación no lineal. La magnitud de la dispersión corresponde a la variabilidad de la técnica, pues recordamos que las 2 muestras corresponden al mismo tejido. Para obtener una mejor visualización, normalmente se transforman los valores según las fórmulas: A = log(R*G)/2 y M = log(R/G). El valor A corresponde al logaritmo de la intensidad media (geométrica) de los 2 colores y el M al logaritmo de la razón de las intensidades. La figura 6b muestra los mismos datos transformados. La curva central a la nube de puntos muestra la estimación no paramétrica de la relación entre M y A, obtenida por el método <span class="elsevierStyleItalic">lowess</span> L = <span class="elsevierStyleItalic">lowess</span>(A,M). La normalización consiste simplemente en restar a cada punto la diferencia entre M y L. El resultado puede apreciarse en la figura 6c.</p><p class="elsevierStylePara"> </p><p class="elsevierStylePara"><span class="elsevierStyleItalic">Fig. 6. Normalización de las intensidades del canal rojo (R) y verde (G) obtenidos en un experimento de reproducibilidad (la misma muestra marcada con diferente fluorocromo). A: gráfica log(R) frente a log(G), donde se aprecia menor señal en la muestra marcada con el fluorocromo rojo. B: gráfica M = log(R/G) frente a A = log(R*G)/2 sin normalizar. Es simplemente una transformación de la anterior donde se aprecia mejor que las diferencias siguen una curva no lineal en función de la intensidad. C: gráfica M frente a A después de normalizar mediante regresión local robusta</span> (lowess).</p><p class="elsevierStylePara">El modelo de normalización puede incluir covariables, además de la intensidad media, de las que dependa el valor de la señal. Se recomienda, por ejemplo, estratificar el modelo según la aguja del robot que produjo el <span class="elsevierStyleItalic">microarray</span>, o emplear información espacial para eliminar posibles heterogeneidades en la intensidad de la hibridación en diferentes zonas del <span class="elsevierStyleItalic">microarray</span> (normalización en 2 dimensiones). Otros métodos, útiles para normalizar múltiples <span class="elsevierStyleItalic"> microarrays</span>, se basan en igualar no sólo el promedio de razón de intensidades de cada fluorocromo, sino la forma de la distribución (normalización por cuantiles). Este método se usa de forma rutinaria con <span class="elsevierStyleItalic">microarrays</span> de oligonucleótidos y puede emplearse también para los <span class="elsevierStyleItalic">microarrays</span> de ADNc.</p><p class="elsevierStylePara"><span class="elsevierStyleItalic">Tratamiento de valores perdidos</span></p><p class="elsevierStylePara">Cuando se analizan datos de múltiples <span class="elsevierStyleItalic">microarrays</span> puede ser importante dar un tratamiento adecuado a los valores perdidos. Trabajar con los puntos con información completa en todos los <span class="elsevierStyleItalic"> microarrays</span> puede suponer una pérdida importante de genes valorables. A menudo se emplean técnicas de imputación basadas en medias condicionales del gen respecto al conjunto de los <span class="elsevierStyleItalic">microarrays</span> o respecto a los valores de los puntos vecinos<span class="elsevierStyleSup">29</span>.</p><p class="elsevierStylePara"><span class="elsevierStyleItalic">Análisis de la diferencias de expresión a nivel de ARN</span></p><p class="elsevierStylePara">Este apartado del análisis pretende determinar qué genes varían su nivel de expresión en función del tejido analizado (por ejemplo, normal y tumor). Dado que en un experimento típico se emplean relativamente pocos casos y se quiere investigar si existen diferencias en miles de variables (genes), las técnicas estadísticas clásicas no son adecuadas sin las correspondientes modificaciones. Por un lado, no puede asegurarse la normalidad de los datos que requieren las pruebas estadísticas clásicas. Por otro lado, la tasa de resultados falsamente positivos puede ser muy elevada si no se emplean correcciones que tengan en cuenta la multiplicidad de hipótesis que se prueban. Las soluciones propuestas para estos problemas son emplear tests de permutaciones para evaluar empíricamente el nivel de significación para cada gen y, posteriormente, controlar la tasa global de resultados falsos positivos mediante un ajuste de los valores p que tengan en cuenta las múltiples comparaciones realizadas.</p><p class="elsevierStylePara">Los tests de permutaciones construyen la distribución de probabilidad empírica a partir de los propios datos mediante muestreo múltiple<span class="elsevierStyleSup">30,31</span>. Se emplea un test estadístico clásico como la t de Student u otra prueba adecuada según el tipo de variable o diseño de estudio. Se calcula, para un gen, el valor del test que compara los grupos (valor observado). Se repite el mismo test múltiples veces de manera que cada vez la asignación del grupo (normal o tumor) se cambia al azar. De esta manera se simula la situación en la que no hay diferencias, pues la asignación de cada muestra a uno u otro grupo es aleatoria. Finalmente, el valor p se calcula a partir del percentil que ocupa el valor observado en la distribución de valores obtenidos por permutación. Con unos cientos de permutaciones suele ser suficiente para obtener el valor p, pero pueden precisarse varios miles si se desea diferenciar entre valores pequeños (muy significativos). Este proceso se repite por separado para cada gen.</p><p class="elsevierStylePara">Los métodos para evitar resultados falsos positivos corrigen los valores p para controlar el nivel global de significación. Existen varios métodos, desde el más sencillo de Bonferroni, que consiste en considerar significativos sólo aquellos valores p inferiores al cociente entre alfa y el número de tests. Este método es muy conservador pues asume que cada test es independiente, lo cual probablemente es falso en el contexto del análisis de múltiples genes en <span class="elsevierStyleItalic">microarrays</span> de ADN, ya que la expresión de algunos genes puede estar correlacionada. Otros métodos de control del nivel global de significación emplean procedimientos adaptados y tienen en cuenta la correlación entre tests. Los más empleados en el contexto de <span class="elsevierStyleItalic">microarrays</span> utilizan también métodos de remuestreo como el min-P y max-T<span class="elsevierStyleSup">32</span>.</p><p class="elsevierStylePara">También se ha propuesto una serie de procedimientos de análisis que se basan en métodos bayesianos puros o bayesianos empíricos. Algunos de estos procedimientos son interesantes ya que proponen que los resultados observados provienen de una mezcla de dos tipos de genes, los que no cambian su expresión (la mayoría) y los que cambian. Para estimar qué genes pertenecen a cada grupo se emplean mixturas de distribuciones que se rigen por una serie de parámetros. Con frecuencia los valores de estos parámetros se estiman a partir de la información que aporta el propio experimento (métodos bayesianos empíricos), pero otras veces los propone el investigador, que puede haberlos obtenido de otros estudios (métodos bayesianos puros). En cualquier caso, estos métodos son interesantes pues tienden a suavizar los valores extremos, que suelen ser la causa de resultados falsamente positivos<span class="elsevierStyleSup">33</span>.</p><p class="elsevierStylePara"><span class="elsevierStyleItalic">Clasificación de muestras o genes</span></p><p class="elsevierStylePara">A partir de los genes que muestren expresión diferencial se puede intentar buscar patrones con el objetivo de clasificar las muestras<span class="elsevierStyleSup">34-38</span>. Posteriormente, tras evaluar las características de las muestras agrupadas, se pueden identificar «genes prototipo» que definan los grupos. También se pueden buscar grupos de genes que muestren un patrón de expresión diferencial similar. Esto puede ser útil para asignar función a genes o secuencias que se expresan que hasta ahora la tienen desconocida. Estos análisis también se han empleado para identificar redes de regulación génica<span class="elsevierStyleSup">39,40</span>.</p><p class="elsevierStylePara">Existen múltiples métodos de clasificación automática. Los más utilizados se basan en técnicas de análisis de conglomerados o <span class="elsevierStyleItalic">clusters</span> jerárquicos, que pueden emplear diferentes distancias y algoritmos<span class="elsevierStyleSup">35</span>. Estas técnicas generan un gráfico en forma de árbol (dendograma) con la jerarquía obtenida. El problema suele ser decidir por dónde cortar el árbol para definir el número de grupos identificados. Como alternativa, se puede definir <span class="elsevierStyleItalic">a priori</span> el número de grupos que se desea identificar y usar métodos que reparten las observaciones de manera óptima entre los grupos. Entre estas técnicas se encuentran el «<span class="elsevierStyleItalic">k-means</span>» y los «<span class="elsevierStyleItalic">Self Organizing Maps</span>»<span class="elsevierStyleSup">36,41</span>. Otros métodos se basan en mixturas paramétricas <span class="elsevierStyleItalic">(</span>«<span class="elsevierStyleItalic">model based clustering</span>»<span class="elsevierStyleItalic">)</span><span class="elsevierStyleSup">42</span>. Los análisis de <span class="elsevierStyleItalic">clusters</span> se pueden aplicar para agrupar muestras o agrupar genes. También pueden realizarse las 2 agrupaciones simultáneamente, lo que permite interpretar más fácilmente los resultados. La figura 7 muestra una doble clasificación (muestras en columnas y genes en filas) donde se aprecian 2 grupos de muestras y 2 de genes. La imagen en seudocolor muestra en rojo genes con expresión aumentada y en verde genes con expresión disminuida. A menudo las técnicas de <span class="elsevierStyleItalic">clusters</span> se combinan con técnicas de reducción de la dimensionalidad como el análisis de componentes principales<span class="elsevierStyleSup">43</span> y la regresión de mínimos cuadrados parciales <span class="elsevierStyleItalic">(«partial least squares»)</span><span class="elsevierStyleSup">44</span>.</p><p class="elsevierStylePara"> </p><p class="elsevierStylePara"><span class="elsevierStyleItalic">Fig. 7. Análisis de conglomerados</span> (clusters) <span class="elsevierStyleItalic">de dos dimensiones para una selección de 449 genes de un</span> microarray.<span class="elsevierStyleItalic">Los genes están dispuestos en columnas. En filas se han seleccionado las razones de intensidades de 10 experimentos comparando tejido tumoral con el tejido normal del mismo individuo. Los genes con color rojo presentan una sobreexpresión en el tumor, mientras que los de tonalidad verde están más expresados en el tejido sano.</span></p><p class="elsevierStylePara">Cuando las muestras están caracterizadas por variables que interesa diferenciar, los métodos de clasificación supervisada son más eficaces. Ejemplos de aplicación son la discriminación en función del tipo de tejido (normal o tumoral) o en función del tipo celular o pronóstico. Entre los métodos de clasificación supervisada destacan los de regresión discriminante, con múltiples versiones (lineal, cuadrática, logística, etc.), las redes neurales, los árboles, etc. Una excelente revisión de estos métodos aplicados al análisis de <span class="elsevierStyleItalic">microarrays</span> puede encontrarse en el libro de Hastie et al<span class="elsevierStyleSup">45</span>.</p><p class="elsevierStylePara">Hay una amplia disponibilidad de software de uso libre para analizar datos de <span class="elsevierStyleItalic"> microarrays</span>. Merece una mención especial el proyecto Bioconductor (www.bioconductor.org), que contiene numerosas herramientas para análisis gráfico y estadístico basadas en el software R (www.r-project.org).</p><p class="elsevierStylePara">Discusión</p><p class="elsevierStylePara">Los <span class="elsevierStyleItalic">microarrays</span> para análisis genéticos se están consolidando como una tecnología útil, a pesar de que es relativamente reciente y todavía adolece de limitaciones técnicas como una gran variabilidad. La tecnología mejora día a día, por lo que los problemas de escasa reproducibilidad se solventarán a corto plazo.</p><p class="elsevierStylePara">El campo que ha recibido con mayor entusiasmo esta tecnología es la oncología, donde ya se han publicado interesantes resultados en cuanto a clasificación molecular y predicción de pronóstico en varios tumores<span class="elsevierStyleSup">5-7,37,46,47</span>. Las aplicaciones a otros campos de la medicina como cardiología<span class="elsevierStyleSup">48</span>, neumología<span class="elsevierStyleSup">49</span> o reumatología<span class="elsevierStyleSup">50</span>, entre otras, también son prometedoras.</p><p class="elsevierStylePara">Uno de los principales retos que afronta esta tecnología es evitar un excesivo entusiasmo en el momento de reportar resultados para evitar frustraciones por falsos positivos. Cada experimento con <span class="elsevierStyleItalic"> microarrays</span> evalúa miles de hipótesis simultáneamente, por lo que un análisis ligero, sin las debidas correcciones estadísticas, puede generar resultados falsamente significativos. La identificación de señales interesantes en un <span class="elsevierStyleItalic">microarray</span> debe ser verificada con otras técnicas y, como en otros campos del conocimiento, es necesario que experimentos en muestras independientes repliquen los resultados antes de adoptarlos como válidos. Por el momento los <span class="elsevierStyleItalic">microarrays</span> se utilizan fundamentalmente en investigación, pero dentro de poco aparecerán aplicaciones clínicas para diagnóstico o evaluación de riesgo.</p><p class="elsevierStylePara"> Agradecimientos</p><p class="elsevierStylePara">Esta revisión recoge la experiencia de la Unidad de Bioestadística y Bioinformática del Instituto Catalán de Oncología en colaboración con el Grupo de Microarrays de ADN del Instituto, que investiga en aplicaciones de los <span class="elsevierStyleItalic">microarrays</span> al estudio del diagnóstico y pronóstico del cáncer colorrectal. Los investigadores del grupo son G. Capellà, M.A. Peinado, M. Grau, E. Vendrell, A. Obrador, G. Tarafa, E. Guinó, J. Valls, X. Solé y V. Moreno. El grupo cuenta con financiación del Fondo de Investigaciones Sanitarias (FIS 96/0797, FIS 00/0027, FIS 01/1264) y de la CICYT (SAF 99/0103, SAF 00/81-C2). Este grupo es miembro de las Redes de Temáticas de Investigación Cooperativa en Cáncer (C03/10) y en Epidemiología y Salud Pública (C03/09), financiadas por el Instituto Carlos III, Ministerio de Sanidad y Consumo. </p>" "pdfFichero" => "2v122nSupl.1a13057538pdf001.pdf" "tienePdf" => true "PalabrasClave" => array:2 [ "es" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Palabras clave" "identificador" => "xpalclavsec223795" "palabras" => array:3 [ 0 => "Microarray de ADN" 1 => "Análisis estadístico" 2 => "Diseño de experimentos" ] ] ] "en" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Keywords" "identificador" => "xpalclavsec223796" "palabras" => array:3 [ 0 => "DNA microarray" 1 => "Statistical analysis" 2 => "Experimental design" ] ] ] ] "tieneResumen" => true "resumen" => array:2 [ "es" => array:1 [ "resumen" => "La tecnología de microarrays de ADN permite realizar análisis genéticos sobre miles de genes simultáneamente. El análisis de estos experimentos supone un reto desde el punto de vista estadístico, ya que los métodos clásicos de análisis deben adaptarse a la enorme multiplicidad de hipótesis que se prueban. Además, la gran variabilidad observada en los experimentos y su elevado coste exigen un diseño cuidadoso. En esta revisión se explicará con detalle qué es un microarray de ADNc, cómo funciona y cuáles son sus principales usos. Seguidamente, se abordarán aspectos estadísticos del diseño experimental y de los diferentes apartados del análisis de un microarray, desde el procesamiento de la imagen y control de calidad de los datos hasta los tests para identificar genes de interés. Por último se comentarán diferentes técnicas de análisis multivariante que se pueden utilizar para analizar patrones en la expresión de los genes." ] "en" => array:1 [ "resumen" => "DNA microarray technology allows the assessment of genetic analyses on thousands of genes simultaneously. The statistical analyses of these experiments are challenging since a high number of multiple hypotheses are tested and classical statistical methods need to adapt to this situation. Furthermore, the great variability observed in the experiments and their high cost of them needs a careful design. In this review we will explain what is a cDNA microarray, how it works and its potential uses. Later we will deal with statistical issues of design and analysis, from the image processing and data quality control, to the statistical test of hypothesis to detect interesting genes. Finally we will comment on multivariate methods to detect patterns in gene expression." ] ] "bibliografia" => array:2 [ "titulo" => "Bibliografía" "seccion" => array:1 [ 0 => array:1 [ "bibliografiaReferencia" => array:50 [ 0 => array:3 [ "identificador" => "bib1" "etiqueta" => "1" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Quantitative monitoring of gene expression patterns with a complementary DNA microarray." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "Schena M" 1 => "Shalon D" 2 => "Davis RW" 3 => "Brown PO." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Science" "fecha" => "1995" "volumen" => "270" "paginaInicial" => "467" "paginaFinal" => "70" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/7569999" "web" => "Medline" ] ] ] ] ] ] ] ] 1 => array:3 [ "identificador" => "bib2" "etiqueta" => "2" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "DNA microarrays in medical practice." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "Aitman TJ." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "BMJ" "fecha" => "2001" "volumen" => "323" "paginaInicial" => "611" "paginaFinal" => "5" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11557712" "web" => "Medline" ] ] ] ] ] ] ] ] 2 => array:3 [ "identificador" => "bib3" "etiqueta" => "3" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Medical applications of microarray technologies: a regulatory science perspective." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:8 [ 0 => "Petricoin EF" 1 => "3r.d" 2 => "Hackett JL" 3 => "Lesko LJ" 4 => "Puri RK" 5 => "Gutman SI" 6 => "Chumakov K" 7 => "et al." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/ng1029" "Revista" => array:6 [ "tituloSerie" => "Nat Genet" "fecha" => "2002" "volumen" => "32" "paginaInicial" => "474" "paginaFinal" => "9" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12454641" "web" => "Medline" ] ] ] ] ] ] ] ] 3 => array:3 [ "identificador" => "bib4" "etiqueta" => "4" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "High density synthetic oligonucleotide arrays." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "Lipshutz RJ" 1 => "Fodor SP" 2 => "Gingeras TR" 3 => "Lockhart DJ." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/4447" "Revista" => array:6 [ "tituloSerie" => "Nat Genet" "fecha" => "1999" "volumen" => "21" "paginaInicial" => "20" "paginaFinal" => "4" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/9915496" "web" => "Medline" ] ] ] ] ] ] ] ] 4 => array:3 [ "identificador" => "bib5" "etiqueta" => "5" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Molecular classification of cancer: class discovery and class prediction by gene expression monitoring." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:7 [ 0 => "Golub TR" 1 => "Slonim DK" 2 => "Tamayo P" 3 => "Huard C" 4 => "Gaasenbeek M" 5 => "Mesirov JP" 6 => "et al." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Science" "fecha" => "1999" "volumen" => "286" "paginaInicial" => "531" "paginaFinal" => "7" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/10521349" "web" => "Medline" ] ] ] ] ] ] ] ] 5 => array:3 [ "identificador" => "bib6" "etiqueta" => "6" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "The lymphochip: a specialized cDNA microarray for the genomic-scale analysis of gene expression in normal and malignant lymphocytes." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:7 [ 0 => "Alizadeh A" 1 => "Eisen M" 2 => "Davis RE" 3 => "Ma C" 4 => "Sabet H" 5 => "Tran T" 6 => "et al." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Cold Spring Harb Symp Quant Biol" "fecha" => "1999" "volumen" => "64" "paginaInicial" => "71" "paginaFinal" => "8" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11232339" "web" => "Medline" ] ] ] ] ] ] ] ] 6 => array:3 [ "identificador" => "bib7" "etiqueta" => "7" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Multi-class cancer classification via partial least squares with gene expression profiles." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "Nguyen DV" 1 => "Rocke DM." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Bioinformatics" "fecha" => "2002" "volumen" => "18" "paginaInicial" => "1216" "paginaFinal" => "26" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12217913" "web" => "Medline" ] ] ] ] ] ] ] ] 7 => array:3 [ "identificador" => "bib8" "etiqueta" => "8" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Tissue classification with gene expression profiles." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "Ben-Dor A" 1 => "Bruhn L" 2 => "Friedman N" 3 => "Nachman I" 4 => "Schummer M" 5 => "Yakhini Z." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1089/106652700750050943" "Revista" => array:6 [ "tituloSerie" => "J Comput Biol" "fecha" => "2000" "volumen" => "7" "paginaInicial" => "559" "paginaFinal" => "83" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11108479" "web" => "Medline" ] ] ] ] ] ] ] ] 8 => array:3 [ "identificador" => "bib9" "etiqueta" => "9" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Gene expression microarray data analysis for toxicology profiling." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "Cunningham MJ" 1 => "Liang S" 2 => "Fuhrman S" 3 => "Seilhamer JJ" 4 => "Somogyi R." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Ann N Y Acad Sci" "fecha" => "2000" "volumen" => "919" "paginaInicial" => "52" "paginaFinal" => "67" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11083097" "web" => "Medline" ] ] ] ] ] ] ] ] 9 => array:3 [ "identificador" => "bib10" "etiqueta" => "10" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "The use of molecular profiling to predict survival after chemotherapy for diffuse large-B-cell lymphoma." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:7 [ 0 => "Rosenwald A" 1 => "Wright G" 2 => "Chan WC" 3 => "Connors JM" 4 => "Campo E" 5 => "Fisher RI" 6 => "et al." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1056/NEJMoa012914" "Revista" => array:6 [ "tituloSerie" => "N Engl J Med" "fecha" => "2002" "volumen" => "346" "paginaInicial" => "1937" "paginaFinal" => "47" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12075054" "web" => "Medline" ] ] ] ] ] ] ] ] 10 => array:3 [ "identificador" => "bib11" "etiqueta" => "11" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "A gene-expression signature as a predictor of survival in breast cancer." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:7 [ 0 => "Van de Vijver MJ" 1 => "He YD" 2 => "Van't Veer LJ" 3 => "Dai H" 4 => "Hart AA" 5 => "Voskuil DW" 6 => "et al." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1056/NEJMoa021967" "Revista" => array:6 [ "tituloSerie" => "N Engl J Med" "fecha" => "2002" "volumen" => "347" "paginaInicial" => "1999" "paginaFinal" => "2009" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12490681" "web" => "Medline" ] ] ] ] ] ] ] ] 11 => array:3 [ "identificador" => "bib12" "etiqueta" => "12" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Use of gene networks from full genome microarray libraries to identify functionally relevant drug-affected genes and gene regulation cascades." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:7 [ 0 => "Savoie CJ" 1 => "Aburatani S" 2 => "Watanabe S" 3 => "Eguchi Y" 4 => "Muta S" 5 => "Imato S" 6 => "et al." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "DNA Res" "fecha" => "2003" "volumen" => "10" "paginaInicial" => "19" "paginaFinal" => "25" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12693551" "web" => "Medline" ] ] ] ] ] ] ] ] 12 => array:3 [ "identificador" => "bib13" "etiqueta" => "13" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Detection and genotyping of human group A rotaviruses by oligonucleotide microarray hybridization." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "Chizhikov V" 1 => "Wagner M" 2 => "Ivshina A" 3 => "Hoshino Y" 4 => "Kapikian AZ" 5 => "Chumakov K." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "J Clin Microbiol" "fecha" => "2002" "volumen" => "40" "paginaInicial" => "2398" "paginaFinal" => "407" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12089254" "web" => "Medline" ] ] ] ] ] ] ] ] 13 => array:3 [ "identificador" => "bib14" "etiqueta" => "14" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Extensive polymorphisms observed in HIV-1 clade B protease gene using high-density oligonucleotide arrays." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:7 [ 0 => "Kozal MJ" 1 => "Shah N" 2 => "Shen N" 3 => "Yang R" 4 => "Fucini R" 5 => "Merigan TC" 6 => "et al." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Nat Med" "fecha" => "1996" "volumen" => "2" "paginaInicial" => "753" "paginaFinal" => "9" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/8673920" "web" => "Medline" ] ] ] ] ] ] ] ] 14 => array:3 [ "identificador" => "bib15" "etiqueta" => "15" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Genome-wide analysis of single-nucleotide polymorphisms in human expressed sequences." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:7 [ 0 => "Irizarry K" 1 => "Kustanovich V" 2 => "Li C" 3 => "Brown N" 4 => "Nelson N" 5 => "Wong W" 6 => "et al." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/79981" "Revista" => array:6 [ "tituloSerie" => "Nat Genet" "fecha" => "2000" "volumen" => "26" "paginaInicial" => "233" "paginaFinal" => "6" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11017085" "web" => "Medline" ] ] ] ] ] ] ] ] 15 => array:3 [ "identificador" => "bib16" "etiqueta" => "16" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Cystic fibrosis mutation detection by hybridization to light-generated DNA probe arrays." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "Cronin MT" 1 => "Fucini RV" 2 => "Kim SM" 3 => "Masino RS" 4 => "Wespi RM" 5 => "Miyada CG." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1002/(SICI)1098-1004(1996)7:3<244::AID-HUMU9>3.0.CO;2-A" "Revista" => array:6 [ "tituloSerie" => "Hum Mutat" "fecha" => "1996" "volumen" => "7" "paginaInicial" => "244" "paginaFinal" => "55" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/8829658" "web" => "Medline" ] ] ] ] ] ] ] ] 16 => array:3 [ "identificador" => "bib17" "etiqueta" => "17" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Genome-wide analysis of DNA copy-number changes using cDNA microarrays." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:7 [ 0 => "Pollack JR" 1 => "Perou CM" 2 => "Alizadeh AA" 3 => "Eisen MB" 4 => "Pergamenschikov A" 5 => "Williams CF" 6 => "et al." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/12640" "Revista" => array:6 [ "tituloSerie" => "Nat Genet" "fecha" => "1999" "volumen" => "23" "paginaInicial" => "41" "paginaFinal" => "6" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/10471496" "web" => "Medline" ] ] ] ] ] ] ] ] 17 => array:3 [ "identificador" => "bib18" "etiqueta" => "18" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Ratio statistics of gene expression levels and applications to microarray data analysis." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "Chen Y" 1 => "Kamat V" 2 => "Dougherty ER" 3 => "Bittner ML" 4 => "Meltzer PS" 5 => "Trent JM." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Bioinformatics" "fecha" => "2002" "volumen" => "18" "paginaInicial" => "1207" "paginaFinal" => "15" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12217912" "web" => "Medline" ] ] ] ] ] ] ] ] 18 => array:3 [ "identificador" => "bib19" "etiqueta" => "19" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Thresholding rules for recovering a sparse signal from microarray experiments." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "Sabatti C" 1 => "Karsten SL" 2 => "Geschwind DH." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Math Biosci" "fecha" => "2002" "volumen" => "176" "paginaInicial" => "17" "paginaFinal" => "34" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11867081" "web" => "Medline" ] ] ] ] ] ] ] ] 19 => array:3 [ "identificador" => "bib20" "etiqueta" => "20" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "On differential variability of expression ratios: improving statistical inference about gene expression changes from microarray data." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "Newton MA" 1 => "Kendziorski CM" 2 => "Richmond CS" 3 => "Blattner FR" 4 => "Tsui KW." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1089/106652701300099074" "Revista" => array:6 [ "tituloSerie" => "J Comput Biol" "fecha" => "2001" "volumen" => "8" "paginaInicial" => "37" "paginaFinal" => "52" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11339905" "web" => "Medline" ] ] ] ] ] ] ] ] 20 => array:3 [ "identificador" => "bib21" "etiqueta" => "21" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Statistical design and the analysis of gene expression microarray data." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "Kerr MK" 1 => "Churchill GA." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Genet Res" "fecha" => "2001" "volumen" => "77" "paginaInicial" => "123" "paginaFinal" => "8" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11355567" "web" => "Medline" ] ] ] ] ] ] ] ] 21 => array:3 [ "identificador" => "bib22" "etiqueta" => "22" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Models for microarray gene expression data." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "Lee ML" 1 => "Lu W" 2 => "Whitmore GA" 3 => "Beier D." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "J Biopharm Stat" "fecha" => "2002" "volumen" => "12" "paginaInicial" => "1" "paginaFinal" => "19" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12146717" "web" => "Medline" ] ] ] ] ] ] ] ] 22 => array:3 [ "identificador" => "bib23" "etiqueta" => "23" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Power and sample size for DNA microarray studies." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "Lee ML" 1 => "Whitmore GA." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1002/sim.1335" "Revista" => array:6 [ "tituloSerie" => "Stat Med" "fecha" => "2002" "volumen" => "21" "paginaInicial" => "3543" "paginaFinal" => "70" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12436455" "web" => "Medline" ] ] ] ] ] ] ] ] 23 => array:3 [ "identificador" => "bib24" "etiqueta" => "24" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Importance of replication in microarray gene expression studies: statistical methods and evidence from repetitive cDNA hybridizations." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "Lee ML" 1 => "Kuo FC" 2 => "Whitmore GA" 3 => "Sklar J." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Proc Natl Acad Sci U S A" "fecha" => "2000" "volumen" => "97" "paginaInicial" => "9834" "paginaFinal" => "9" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/10963655" "web" => "Medline" ] ] ] ] ] ] ] ] 24 => array:3 [ "identificador" => "bib25" "etiqueta" => "25" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Design issues for cDNA microarray experiments." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "Yang YH" 1 => "Speed T." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/nrg863" "Revista" => array:6 [ "tituloSerie" => "Nat Rev Genet" "fecha" => "2002" "volumen" => "3" "paginaInicial" => "579" "paginaFinal" => "88" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12154381" "web" => "Medline" ] ] ] ] ] ] ] ] 25 => array:3 [ "identificador" => "bib26" "etiqueta" => "26" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "A comparative review of statistical methods for discovering differentially expressed genes in replicated microarray experiments." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "Pan W." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Bioinformatics" "fecha" => "2002" "volumen" => "18" "paginaInicial" => "546" "paginaFinal" => "54" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12016052" "web" => "Medline" ] ] ] ] ] ] ] ] 26 => array:3 [ "identificador" => "bib27" "etiqueta" => "27" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Microarray data normalization and transformation." "idioma" => "it" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "Quackenbush J." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/ng1032" "Revista" => array:6 [ "tituloSerie" => "Nat Genet" "fecha" => "2002" "volumen" => "32" "paginaInicial" => "496" "paginaFinal" => "501" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12454644" "web" => "Medline" ] ] ] ] ] ] ] ] 27 => array:3 [ "identificador" => "bib28" "etiqueta" => "28" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Robust locally weighted regression and smoothing scatterplots." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "Cleveland WS." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "JASA" "fecha" => "1979" "volumen" => "74" "paginaInicial" => "829" "paginaFinal" => "836" ] ] ] ] ] ] 28 => array:3 [ "identificador" => "bib29" "etiqueta" => "29" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Missing value estimation methods for DNA microarrays." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:7 [ 0 => "Troyanskaya O" 1 => "Cantor M" 2 => "Sherlock G" 3 => "Brown P" 4 => "Hastie T" 5 => "Tibshirani R" 6 => "et al." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Bioinformatics" "fecha" => "2001" "volumen" => "17" "paginaInicial" => "520" "paginaFinal" => "5" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11395428" "web" => "Medline" ] ] ] ] ] ] ] ] 29 => array:3 [ "identificador" => "bib30" "etiqueta" => "30" "referencia" => array:1 [ 0 => array:2 [ "referenciaCompleta" => "Permutation tests. 2nd ed. New York: Springer, 2000." "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Permutation tests. 2nd ed. New York: Springer, 2000." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "Good P." ] ] ] ] ] ] ] ] 30 => array:3 [ "identificador" => "bib31" "etiqueta" => "31" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Testing for differentially expressed genes with microarray data." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "Tsai CA" 1 => "Chen YJ" 2 => "Chen JJ." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Nucleic Acids Res" "fecha" => "2003" "volumen" => "31" "paginaInicial" => "e52" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12711697" "web" => "Medline" ] ] ] ] ] ] ] ] 31 => array:3 [ "identificador" => "bib32" "etiqueta" => "32" "referencia" => array:1 [ 0 => array:2 [ "referenciaCompleta" => "Resampling-based multiple testing: examples and methods for p-value adjustment. New York: John Wiley & Sons, 1993." "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Resampling-based multiple testing: examples and methods for p-value adjustment. New York: John Wiley & Sons, 1993." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "Westfal PHY." ] ] ] ] ] ] ] ] 32 => array:3 [ "identificador" => "bib33" "etiqueta" => "33" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Empirical bayes methods and false discovery rates for microarrays." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "Efron B" 1 => "Tibshirani R." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1002/gepi.1124" "Revista" => array:6 [ "tituloSerie" => "Genet Epidemiol" "fecha" => "2002" "volumen" => "23" "paginaInicial" => "70" "paginaFinal" => "86" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12112249" "web" => "Medline" ] ] ] ] ] ] ] ] 33 => array:3 [ "identificador" => "bib34" "etiqueta" => "34" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Analyzing microarray data using cluster analysis." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "Shannon W" 1 => "Culverhouse R" 2 => "Duncan J." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1517/phgs.4.1.41.22581" "Revista" => array:6 [ "tituloSerie" => "Pharmacogenomics" "fecha" => "2003" "volumen" => "4" "paginaInicial" => "41" "paginaFinal" => "52" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12517285" "web" => "Medline" ] ] ] ] ] ] ] ] 34 => array:3 [ "identificador" => "bib35" "etiqueta" => "35" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Cluster analysis and display of genome-wide expression patterns." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "Eisen MB" 1 => "Spellman PT" 2 => "Brown PO" 3 => "Botstein D." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Proc Natl Acad Sci U S A" "fecha" => "1998" "volumen" => "95" "paginaInicial" => "14863" "paginaFinal" => "8" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/9843981" "web" => "Medline" ] ] ] ] ] ] ] ] 35 => array:3 [ "identificador" => "bib36" "etiqueta" => "36" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Combining hierarchical clustering and self-organizing maps for exploratory analysis of gene expression patterns." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "Herrero J" 1 => "Dopazo J." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:7 [ "tituloSerie" => "J Proteome Res" "fecha" => "2002" "volumen" => "1" "paginaInicial" => "467" "paginaFinal" => "70" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12645919" "web" => "Medline" ] ] "itemHostRev" => array:3 [ "pii" => "S0016508502004572" "estado" => "S300" "issn" => "00165085" ] ] ] ] ] ] ] 36 => array:3 [ "identificador" => "bib37" "etiqueta" => "37" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Differential gene expression in premalignant human epidermis revealed by cluster analysis of serial analysis of gene expression (SAGE) libraries." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "Van Ruissen F" 1 => "Jansen BJ" 2 => "De Jongh GJ" 3 => "Van Vlijmen-Willems IM" 4 => "Schalkwijk J." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1096/fj.01-0618fje" "Revista" => array:6 [ "tituloSerie" => "Faseb J" "fecha" => "2002" "volumen" => "16" "paginaInicial" => "246" "paginaFinal" => "8" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11772949" "web" => "Medline" ] ] ] ] ] ] ] ] 37 => array:3 [ "identificador" => "bib38" "etiqueta" => "38" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Distinct types of diffuse large B-cell lymphoma identified by gene expression profiling." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:7 [ 0 => "Alizadeh AA" 1 => "Eisen MB" 2 => "Davis RE" 3 => "Ma C" 4 => "Lossos IS" 5 => "Rosenwald A" 6 => "et al." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/35000501" "Revista" => array:6 [ "tituloSerie" => "Nature" "fecha" => "2000" "volumen" => "403" "paginaInicial" => "503" "paginaFinal" => "11" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/10676951" "web" => "Medline" ] ] ] ] ] ] ] ] 38 => array:3 [ "identificador" => "bib39" "etiqueta" => "39" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Functional exploration of the C. elegans genome using DNA microarrays." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "Reinke V." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/ng1039" "Revista" => array:6 [ "tituloSerie" => "Nat Genet" "fecha" => "2002" "volumen" => "32" "paginaInicial" => "541" "paginaFinal" => "6" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12454651" "web" => "Medline" ] ] ] ] ] ] ] ] 39 => array:3 [ "identificador" => "bib40" "etiqueta" => "40" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Towards reconstruction of gene networks from expression data by supervised learning." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "Soinov LA" 1 => "Krestyaninova MA" 2 => "Brazma A." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Genome Biol" "fecha" => "2003" "volumen" => "4" "paginaInicial" => "R6" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12540298" "web" => "Medline" ] ] ] ] ] ] ] ] 40 => array:3 [ "identificador" => "bib41" "etiqueta" => "41" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Analysis of gene expression data using self-organizing maps." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "Toronen P" 1 => "Kolehmainen M" 2 => "Wong G" 3 => "Castren E." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "FEBS Lett" "fecha" => "1999" "volumen" => "451" "paginaInicial" => "142" "paginaFinal" => "6" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/10371154" "web" => "Medline" ] ] ] ] ] ] ] ] 41 => array:3 [ "identificador" => "bib42" "etiqueta" => "42" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Model-based cluster analysis of microarray gene-expression data." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "Pan W" 1 => "Lin J" 2 => "Le CT." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Genome Biol" "fecha" => "2002" "volumen" => "3" "paginaInicial" => "RESEARCH0009" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11864371" "web" => "Medline" ] ] "itemHostRev" => array:3 [ "pii" => "S0168827805006975" "estado" => "S300" "issn" => "01688278" ] ] ] ] ] ] ] 42 => array:3 [ "identificador" => "bib43" "etiqueta" => "43" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Principal component analysis for clustering gene expression data." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "Yeung KY" 1 => "Ruzzo WL." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Bioinformatics" "fecha" => "2001" "volumen" => "17" "paginaInicial" => "763" "paginaFinal" => "74" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11590094" "web" => "Medline" ] ] ] ] ] ] ] ] 43 => array:3 [ "identificador" => "bib44" "etiqueta" => "44" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Tumor classification by partial least squares using microarray gene expression data." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "Nguyen DV" 1 => "Rocke DM." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Bioinformatics" "fecha" => "2002" "volumen" => "18" "paginaInicial" => "39" "paginaFinal" => "50" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11836210" "web" => "Medline" ] ] ] ] ] ] ] ] 44 => array:3 [ "identificador" => "bib45" "etiqueta" => "45" "referencia" => array:1 [ 0 => array:2 [ "referenciaCompleta" => "The elements of statistical learning: data mining, inference, and prediction. New York: Springer, 2001." "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "The elements of statistical learning: data mining, inference, and prediction. New York: Springer, 2001." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "Hastie TT R" 1 => "Friedman J." ] ] ] ] ] ] ] ] 45 => array:3 [ "identificador" => "bib46" "etiqueta" => "46" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Classification of small cell lung cancer and pulmonary carcinoid by gene expression profiles." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:7 [ 0 => "Anbazhagan R" 1 => "Tihan T" 2 => "Bornman DM" 3 => "Johnston JC" 4 => "Saltz JH" 5 => "Weigering A" 6 => "et al." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Cancer Res" "fecha" => "1999" "volumen" => "59" "paginaInicial" => "5119" "paginaFinal" => "22" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/10537285" "web" => "Medline" ] ] ] ] ] ] ] ] 46 => array:3 [ "identificador" => "bib47" "etiqueta" => "47" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Molecular classification of borderline ovarian tumors using hierarchical cluster analysis of protein expression profiles." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:7 [ 0 => "Alaiya AA" 1 => "Franzen B" 2 => "Hagman A" 3 => "Dysvik B" 4 => "Roblick UJ" 5 => "Becker S" 6 => "et al." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Int J Cancer" "fecha" => "2002" "volumen" => "98" "paginaInicial" => "895" "paginaFinal" => "9" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11948469" "web" => "Medline" ] ] ] ] ] ] ] ] 47 => array:3 [ "identificador" => "bib48" "etiqueta" => "48" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Global gene expression profiling of end-stage dilated cardiomyopathy using a human cardiovascular-based cDNA microarray." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "Barrans JD" 1 => "Allen PD" 2 => "Stamatiou D" 3 => "Dzau VJ" 4 => "Liew CC." ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/S0002-9440(10)61153-4" "Revista" => array:6 [ "tituloSerie" => "Am J Pathol" "fecha" => "2002" "volumen" => "160" "paginaInicial" => "2035" "paginaFinal" => "43" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12057908" "web" => "Medline" ] ] ] ] ] ] ] ] 48 => array:3 [ "identificador" => "bib49" "etiqueta" => "49" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "Gene expression patterns in the lungs of patients with primary pulmonary hypertension: a gene microarray analysis." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:7 [ 0 => "Geraci MW" 1 => "Moore M" 2 => "Gesell T" 3 => "Yeager ME" 4 => "Alger L" 5 => "Golpon M" 6 => "et al." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Circ Res" "fecha" => "2001" "volumen" => "88" "paginaInicial" => "555" "paginaFinal" => "62" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11282888" "web" => "Medline" ] ] ] ] ] ] ] ] 49 => array:3 [ "identificador" => "bib50" "etiqueta" => "50" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:3 [ "titulo" => "DNA microarray analysis reveals novel gene expression profiles in collagen-induced arthritis." "idioma" => "en" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:7 [ 0 => "Thornton S" 1 => "Sowders D" 2 => "Aronow B" 3 => "Witte DP" 4 => "Brunner HI" 5 => "Giannini EH" 6 => "et al." ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:7 [ "tituloSerie" => "Clin Immunol" "fecha" => "2002" "volumen" => "105" "paginaInicial" => "155" "paginaFinal" => "68" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12482389" "web" => "Medline" ] ] "itemHostRev" => array:3 [ "pii" => "S001650850700399X" "estado" => "S300" "issn" => "00165085" ] ] ] ] ] ] ] ] ] ] ] ] "idiomaDefecto" => "es" "url" => "/00257753/00000122000000S1/v0_201307292058/13057538/v0_201307292101/es/main.assets" "Apartado" => array:4 [ "identificador" => "16884" "tipo" => "SECCION" "es" => array:2 [ "titulo" => "Técnicas emergentes" "idiomaDefecto" => true ] "idiomaDefecto" => "es" ] "PDF" => "https://static.elsevier.es/multimedia/00257753/00000122000000S1/v0_201307292058/13057538/v0_201307292101/es/2v122nSupl.1a13057538pdf001.pdf?idApp=UINPBA00004N&text.app=https://www.elsevier.es/" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/13057538?idApp=UINPBA00004N" ]
Idioma original: Español
año/Mes | Html | Total | |
---|---|---|---|
2024 Noviembre | 114 | 11 | 125 |
2024 Octubre | 3481 | 298 | 3779 |
2024 Septiembre | 2346 | 156 | 2502 |
2024 Agosto | 1567 | 147 | 1714 |
2024 Julio | 1565 | 97 | 1662 |
2024 Junio | 1563 | 209 | 1772 |
2024 Mayo | 1951 | 210 | 2161 |
2024 Abril | 2039 | 260 | 2299 |
2024 Marzo | 1511 | 122 | 1633 |
2024 Febrero | 1692 | 162 | 1854 |
2024 Enero | 1755 | 99 | 1854 |
2023 Diciembre | 1101 | 110 | 1211 |
2023 Noviembre | 2057 | 222 | 2279 |
2023 Octubre | 1904 | 270 | 2174 |
2023 Septiembre | 1200 | 141 | 1341 |
2023 Agosto | 994 | 69 | 1063 |
2023 Julio | 1196 | 103 | 1299 |
2023 Junio | 1009 | 124 | 1133 |
2023 Mayo | 2313 | 295 | 2608 |
2023 Abril | 1392 | 297 | 1689 |
2023 Marzo | 1743 | 264 | 2007 |
2023 Febrero | 1088 | 176 | 1264 |
2023 Enero | 815 | 360 | 1175 |
2022 Diciembre | 785 | 226 | 1011 |
2022 Noviembre | 1567 | 315 | 1882 |
2022 Octubre | 1321 | 309 | 1630 |
2022 Septiembre | 981 | 216 | 1197 |
2022 Agosto | 1027 | 350 | 1377 |
2022 Julio | 801 | 246 | 1047 |
2022 Junio | 743 | 136 | 879 |
2022 Mayo | 1386 | 214 | 1600 |
2022 Abril | 960 | 207 | 1167 |
2022 Marzo | 1031 | 166 | 1197 |
2022 Febrero | 786 | 123 | 909 |
2022 Enero | 496 | 118 | 614 |
2021 Diciembre | 430 | 109 | 539 |
2021 Noviembre | 772 | 192 | 964 |
2021 Octubre | 725 | 111 | 836 |
2021 Septiembre | 484 | 120 | 604 |
2021 Agosto | 1009 | 75 | 1084 |
2021 Julio | 558 | 68 | 626 |
2021 Junio | 436 | 64 | 500 |
2021 Mayo | 388 | 66 | 454 |
2021 Abril | 596 | 158 | 754 |
2021 Marzo | 347 | 102 | 449 |
2021 Febrero | 336 | 37 | 373 |
2021 Enero | 215 | 28 | 243 |
2020 Diciembre | 217 | 65 | 282 |
2020 Noviembre | 247 | 62 | 309 |
2020 Octubre | 55 | 18 | 73 |
2018 Marzo | 1 | 0 | 1 |
2017 Octubre | 34 | 3 | 37 |
2017 Septiembre | 30 | 4 | 34 |
2017 Agosto | 19 | 1 | 20 |
2017 Julio | 38 | 1 | 39 |
2017 Junio | 37 | 13 | 50 |
2017 Mayo | 37 | 13 | 50 |
2017 Abril | 57 | 18 | 75 |
2017 Marzo | 52 | 22 | 74 |
2017 Febrero | 179 | 14 | 193 |
2017 Enero | 57 | 4 | 61 |
2016 Diciembre | 44 | 8 | 52 |
2016 Noviembre | 85 | 11 | 96 |
2016 Octubre | 77 | 12 | 89 |
2016 Septiembre | 96 | 16 | 112 |
2016 Agosto | 49 | 5 | 54 |
2016 Julio | 23 | 3 | 26 |
2016 Junio | 86 | 14 | 100 |
2016 Mayo | 86 | 20 | 106 |
2016 Abril | 58 | 19 | 77 |
2016 Marzo | 63 | 14 | 77 |
2016 Febrero | 39 | 8 | 47 |
2016 Enero | 49 | 7 | 56 |
2015 Diciembre | 49 | 8 | 57 |
2015 Noviembre | 66 | 19 | 85 |
2015 Octubre | 57 | 9 | 66 |
2015 Septiembre | 80 | 8 | 88 |
2015 Agosto | 58 | 6 | 64 |
2015 Julio | 31 | 7 | 38 |
2015 Junio | 46 | 5 | 51 |
2015 Mayo | 45 | 20 | 65 |
2015 Abril | 58 | 9 | 67 |
2015 Marzo | 48 | 16 | 64 |
2015 Febrero | 52 | 4 | 56 |
2015 Enero | 32 | 3 | 35 |
2014 Diciembre | 51 | 2 | 53 |
2014 Noviembre | 74 | 3 | 77 |
2014 Octubre | 41 | 4 | 45 |
2014 Septiembre | 36 | 2 | 38 |
2014 Agosto | 102 | 6 | 108 |
2014 Julio | 84 | 5 | 89 |
2014 Junio | 102 | 3 | 105 |
2014 Mayo | 88 | 2 | 90 |
2014 Abril | 57 | 10 | 67 |
2014 Marzo | 61 | 5 | 66 |
2014 Febrero | 59 | 2 | 61 |
2014 Enero | 75 | 2 | 77 |
2013 Diciembre | 71 | 5 | 76 |
2013 Noviembre | 116 | 8 | 124 |
2013 Octubre | 136 | 5 | 141 |
2013 Septiembre | 66 | 6 | 72 |
2013 Agosto | 55 | 8 | 63 |
2013 Julio | 38 | 4 | 42 |
2004 Febrero | 2258 | 0 | 2258 |