文摘

胚胎干细胞(ESC)、ipc和成人干细胞(对asc)都是其中最有前途的潜在治疗心力衰竭、脊髓损伤、神经退行性疾病、糖尿病。然而,相当大的不确定性生产ESC-derived终末分化细胞类型限制了开发的效率。为了解决这种不确定性,我们和其他调查人员已经开始使用一个全面的统计模型确定ESC分化的细胞内途径的作用(例如,STAT3)在ESC分化和决心胚层的命运。这里讨论的方法将Baysian统计模型应用到细胞和发育生物学结合传统流式细胞术方法和具体形态观察与先进的统计和概率建模和实验设计。这项研究的最终结果是一个独特的工具和模型,增强了对特定细胞命运决定如何以及何时在分化。这个模型提供了一个指南来增加治疗可行的ESCs的生产效率/万能ASC派生的神经元或任何其他细胞类型,最终将导致干细胞疗法的进步。

1。介绍

二十年的研究干细胞带给我们,他们开始被用来治疗或治愈疾病。“三巨头”干细胞类型组成的核心研究包括胚胎干细胞(ESCs),诱导多能干细胞(万能),和成人干细胞(对asc)。尽管1970年代- 1990年代看到许多令人兴奋的发现与鼠标ESCs对asc和各种类型的,现场点燃在1990年代末由詹姆斯·汤普森的小组发现,人类的ESCs可以培养在体外。ESCs,来自内细胞团(ICM)的胚胎囊胚阶段,有能力进行自我更新和分化成任何三个主要的胚芽层(1,2]。这一特点,多能性,是干细胞疗法的想法的基础(3]。人们普遍认为通过利用ESC分化研究人员的力量可以引导他们成特定类型的成熟细胞,可以用来取代各种疾病状态下的死亡或受损的细胞。然而,初步研究显示有限的成功生产大型、纯粹的数量的细胞作为潜在的治疗(4- - - - - -8]。

虽然ESCs、ipc和一些对asc是最有前途的治疗心力衰竭、脊髓损伤、神经退行性疾病和糖尿病,相当大的不确定性生产ESC, iPSC,心肌细胞等和ASC-derived终末分化细胞,β胰岛细胞,多巴胺神经元的进步发展和他们的有限使用疗法(10- - - - - -12]。研究表明ESCs、ipc和对asc一贯地分化成多种细胞类型;然而,很少有数据支持的想法在分化命运的承诺遵循相同的时间在开发过程中发现模式在活的有机体内。ESCs和iPSC区分,它们形成拟胚体(EBs)松散类似胚泡阶段和egg-cylinder阶段胚胎。与胚胎相比,EBs缺乏开发胚胎的组织结构。增加这一问题,对asc不是通过EB的协议通常诱导分化。因此,感应信号,调节早期分化事件,如形成的主要细菌层,可能不会发生在ESC, iPSC, ASC分化胚胎发生的预期相比。因此,这种不完整的理解分化的过程在体外导致效率低下和随意性协议的开发诱导分化指向特定的细胞命运。例如,当前的技术刺激神经分化生成终末分化的神经细胞,这可能是也可能不是能够形成功能性突触时注射用于治疗目的。此外,EB混合细胞类型分化导致人口的方法,包括一些未分化的细胞,这对于ESCs和万能,增加畸胎瘤形成的风险在注入。因此,一个更详细的了解ESC, iPSC, ASC分化和具体时间的终末分化命运的承诺是必要的增加潜在的干细胞为基础的治疗的成功。

在我的实验室中,我们把大量的关注识别STAT3在发展和干细胞生物学。根据下游感应信号,STAT3已被证明中发挥重要作用的过程ESC增殖和分化为心脏和神经细胞(13- - - - - -20.]。迄今为止,STAT3通路的功能重要性在心肌细胞分化已经明确定义比神经STAT3血统,一度被认为是主要是重要的神经胶质细胞分化,最近也被证明是至关重要的ESC分化为神经干细胞(nsc) [14]。从本质上讲,STAT3的规定活动可能是一个有效的目标设计协议增加心肌细胞和外胚层的血统的生产包括NS和神经元细胞类型。

根据几十年的文献和自己的工作结果,被假定ESC / iPSC / ASC分化的过程是复杂但一致,允许命运的承诺可以测量各种细胞谱系,随着时间的推移,并通过统计方法进行建模。事实上,出现两个问题,如果调查和回答,可以大大有助于未来干细胞疗法的成功。首先,有可能产生干细胞分化的综合模型?这样一个模型识别的概率主要微生物层的形成,随着时间的推移,创建一个工具,研究人员可以使用在分析和设计ESC, iPSC和/或ASC分化协议。第二,如何应用一个统计模型来生成高纯度的数量所需的细胞类型?例如,它可以更清楚地定义角色的成员不同的信号通路,比如Jak / STAT3通路,在多功能/多能细胞分化成特定血统(即。、外胚层和内胚层、中胚层)?在这里,我表明,在回顾的一种统计建模方法使用ESC分化作为基线,可以测量和识别操纵信号机制的影响。在这里,我也描述一种天然的效果,STAT3称为STAT3的显性负形式β在ESC分化的进展。尽管分析可能是心肌细胞或神经血统或两者,本文重点将放在Stat3在模型neuroectodermal命运的承诺。这种方法可以很容易地应用于细胞则对asc和。

2。统计分析的概述

上面回答这两个问题,选择的技术分析ESC分化通常包括基本的形态学观察和流式细胞术,当使用ESC模型系统可以跟踪表达多能胚层特定标记的变化在单个细胞在分化的时间进程;然而,形成一个可靠的模型来回答这些问题的关键是数据分析的方法。我们和其他先进的这项努力通过创建一个综合概率模型的干细胞分化使用贝叶斯方法框架迭代整体实验分析。例如,一项研究可以使用这种方法来遵循ESCs或每天在分化的细胞则有或没有添加任何differentiation-inducing因素。为什么专注于流式细胞仪分析代替其他传统技术如西方墨迹图和/或存在吗?因为EBs或对asc又陷入一个异类人群,rt - pcr和免疫印迹技术,分析整个细胞的数量,不能满足研究环境内部的分化。流式细胞术分析将使不同数量的单个细胞的分化,无论细胞命运,分化的每一天。基于这些数据,曲线拟合软件是用来定义一个模型的干细胞分化的时间进程。当然,流动数据通常是证实了存在和西方分析纯化的细胞群。结果收集使用所有这些技术然后使用制定差异化的峰值天预计值(即。,当曲线的斜率是最大的)。

这种方法的下一步重点缩小分化的时间进程,以预测的值微分峰的一天。在这组实验中,各个概率分化成三个主要的胚芽层,在每一天的时间,计算。概率分析实现解决可变性在EBs分化的时间进程。图形分化与时间的概率将产生一个可视化工具识别的时间点每个胚层分化为最大。虽然是产生神经组织的外胚层,分化是一个归纳的过程,和外胚层的形成依赖于信号来自中胚层和内胚层。因此,差异化三个胚芽层可以使用这种方法进行分析。

这个模型怎么系统被用作工具识别具体路径?尽管有许多在干细胞分化机制和路径选择,我们实验室最STAT3的经验,我将使用作为一个例子。作为STAT3基因敲除小鼠胚胎致命神经发育之前,使用这里描述的模型将使一代的新和相关数据的功能STAT3对干细胞分化成外胚层的或神经血统。总结的例子是必要的实验类型如下。(1)使用流式细胞仪进行细胞表达STAT3的占主导地位的否定形式,STAT3β(13]。(2)分析正常EBs之间的差异和EBs既定的STAT3和STAT3的表达拼接变体β收集数据,确定没有正常STAT3活动如何影响全球分化的过程。(3)提高使用的ESCs和检查结果,对asc万能或分化成neuroectoderm转基因表达绿色荧光蛋白。作为额外的控制,这些GFP-expressing细胞会对扩散分析标记,确认跟踪峰值神经分化,而不仅仅是一个扩张神经前体的细胞群。

总之,这里提出的是一个协议建立在测试和验证一个全面ESC / iPSC ASC分化模型,该模型可以适应其他科学家所需的细胞类型,以及建模方法,其他人可以适应优化逐步ESC / iPSC / ASC实验设计的本质。此外,该模型可以用来探索途径的作用(例如,STAT3在ESC分化)。这是一个多学科的方法,一旦实现,将产生的方法论和科学的结果,将会有深远的影响,以及提供所需的工具移动自己的和其他人来说,研究项目。

3所示。比较的统计方法:概述

有两种主要的方法来统计分析:当前频率论的方法和贝叶斯方法。杨et al。21很好地描述了这两种方法的比较。更常用的频率论的方法是基于哲学证伪零假设,换句话说,没有团体之间的联系。一个频率论的分析结果进行了总结价值和置信区间。基于值,影响了两种分类是“重要的”或“不显著。“当然样本大小可以提供一个缓冲特别是有价值严重偏离均值的离群值。另一方面,当没有异常,临床上简单效应可以显著当样本容量大。作为一个结果,价值有时会误导读者和研究者们22- - - - - -24]。由读者仔细检查数据和批判性评估结果的解释,提出分段出版前或阅读时已经发表。

第二,贝叶斯方法,只需分配是否有通过任意分类的意义或非意义值,不结果,它定义了数据是否可以用来影响改变临床或经验。相反,贝叶斯分析可以评价和评估确定(不确定性)的全部或数据集合中的每个数据点生成。直接推论声明数据或解释的不确定性的分析是由相关数据后获得的解释及其内容和约定。因此,可以使用贝叶斯分析表明实验几乎实时的决策。例如,如果一个风险减少10%或更多的被认为是临床上重要的贝叶斯分析允许声明,如“有90%的可能性,相对风险降低临床意义”(21]。这种说法,也称为“后验概率,”被认为是更科学有用的(24)比直接的价值,因为它解决了临床相关问题。此外,贝叶斯方法科学证据的方法在某些方面可以被认为是一个实时统计分析,因为它是一个不断学习和更新信息,这使得前数据的合并到当前数据到达一个更好的结论。影响或协会不断更新新数据可用时(25),它可以被认为是相当于一个荟萃分析。

那么,为什么从一个贝叶斯频率论的方法吗?尽可能简洁,贝叶斯方法提供了一个合乎逻辑的和直接推理产生影响(26],或许同样重要的是,它也很有用的情况下重复数据收集困难或太贵了。

驾驶的主要思想的概念,将贝叶斯网络应用于更好地理解干细胞分化依赖于一个简单的执行一组最小所需的实验的概念,其次是数据采集和解释理解,是活跃的时,信号机制导致最高质量和数量最高的理想细胞/组织类型。是的,实验是先做来获取数据,但一旦贝叶斯统计分析的数据,研究人员就不必总是运行实验来确定,具体一天是最好的一天收获细胞疗法。贝叶斯统计使研究者能够简单地预测最美好的一天从一批收获细胞分化的ESCs。只不时小样品需要被移除和分析来验证质量控制。后者是关键,因为这意味着宝贵的细胞并不经常需要测试的产品需要使用时更常见的频率论的统计方法。贝叶斯统计有助于消除试验和错误,在干细胞研究花费很多钱和时间的浪费。

4所示。贝叶斯的心态如何与不同的生物过程

4.1。预测染色质的交互

其中一个最复杂的细胞内分子相互作用是复杂protein-DNA绑定。基因的全基因组转录以及镇压活动是由成千上万的,如果不是更多,这些动态dna结合蛋白的事件。蛋白质和DNA之间的相互作用可以分层为三个类别,DNA包装由组蛋白序列motif-specific直接绑定(如转录因子)和间接监管或骨架蛋白等蛋白质激酶(9,27- - - - - -30.]。

仍然知之甚少的大小是交互调节染色质结构的多,导致基因活性,特异性和沉默。一种技术,被广泛用于更好地理解这些交互是基因组绑定映射。现有地图生成在不同的方面都有独特的目的。例如,地图显示不同的蛋白质定位相似的一组定义良好的基因或相同的基因可以是非常有用的对于识别的机制(s)绑定。这个信息可以用来开发药物预防或为药物疗法促进绑定。这些地图是怎么做成的呢?方法之一是显示绑定经验使用诸如DNA指纹分析技术或足迹,而另一个可能是染色体免疫沉淀反应(即。芯片)。获得这些技术高度精确和广为接受的31日,32];然而,他们也只是浪费时间,确定每个实验中少量的交互,并且可以昂贵的小型实验室。是一个不错的选择在网上方法确定染色质组件使用预测搜索机制。

范Steensel et al。9)设计了一个很好的贝叶斯方法,定义了一个针对两个组件之间的交互X和Y这样的存在X在一个特定的基因位点促进协会Y这些位点。他们注意到,这个定义是功能而不是简单的生化。交互的方法覆盖所有三层,包括间接蛋白质protein-DNA交互,而到目前为止,使这种分析非常强大。

使用果蝇基因组和43染色质组件以及300个基因在染色体2,绑定的水平进行了分析和芯片的得分log2比率。然后采用贝叶斯网络推理(BNI;(33- - - - - -36]),这使得生成详细的所有43组件交互。本例中的BNI有两个独特的优势进行数据分析;(我)间接相关性可能是“解释道:“他们提供了一个简单的例子。如果蛋白独立招聘两个其他蛋白B和C一个共同的轨迹,这两个蛋白会在地图上标出与一个关联和彼此。B和C被认为是有条件地相互独立的关于a (2) BNI也能够预测的方向的相互作用。换句话说了X目标Y或反之亦然吗?他们把这种现象称为因果关系的方向9]。图1贝叶斯方法的结果是43染色质组件。作者继续验证经验的一些目标,如组蛋白。从图5 BNI-predicted目标1被验证。

所以,到底这种新颖的做法做了推进科学的染色质结构和监管?相当多(1),它提供了一个高度可靠和准确预测许多交互的工具,以前可能是错过了或者没有找到几年或几十年;(2)它发现小说竞争目标机制,确定不同的染色质重塑酶DNA结合的必要开放网站的因素。本质上,这种方法使染色质交互的复杂性更容易理解。

4.2。选择的人类胚胎在体外受精

试管婴儿已成为一个重要的临床替代夫妇不能,出于某种原因,怀孕正常儿童。然而,反应问题的结果体外受精等没有出生或相反,多胞胎(如八胞胎),以及道德的挑战,各国政府已经开始调节体外受精诊所和程序(37]。因此,胚胎学家已经开始寻找方法,预测哪些胚胎在一组获得的捐赠是最好的地方回到母亲的潜力。当前程序评估胚胎不同国家不同,但对大多数人来说,依赖诊所的居民胚胎学家使用训练有素的眼睛是最普遍。这种方法,正如预期的那样,是高度主观的,这往往导致低出生率。作为一个猜,有很多变量在挑选最好的胚胎的胚胎形态是只有一个组件的选择。供体的年龄,精子质量,鸡蛋异形理论,速率发生受精,卵裂率、先前的循环次数进行捐赠,接受者的健康,和许多其他因素去选择最好的体外受精胚胎。具有讽刺意味的是,人工智能已经开始被用于增加人工受精的成功率(38,39]。第一次尝试使用更少主观方法对胚胎的选择是在决策树数据挖掘技术采用基于形态学特征之间的关系,曾导致成功的怀孕和分娩的(38,40]。这些第一代统计/人工智能协议导致了更为复杂的算法基于模式识别和比较基于人类和计算机预测(41,42]。然而,开创性的论文(37)提出了使用贝叶斯等胚胎分类使用多个相关支持系统多个形态方面和临床数据的供体和受体(如果不同病人)。

体外受精,获得贝叶斯统计始于胚胎植入前的胚胎的图像,然后通过~ 21值分类包括供体的年龄,以前的循环次数,受精卵的分数(分数1型;所有的细胞都是相等的大小没有分裂的细胞,分类型分化5 100%),厚度带透明的,多核,和许多其他的例子37]。这些值可以是数值或是的/不可以放在软件,现在发现在互联网上免费,计算精度±标准差的期望的结果。对于体外受精,胚胎植入可以测量的精度0.9994 + 0.0589在0 - 1 (39]。计算帮助证明贝叶斯方法的有效性依赖于接收机工作特性曲线(ROC),测量诊断决策的成本效益比率((39)和引用)。ROC曲线用于确定胚胎体外受精依靠敏感性的情节或比例的胚胎图像正确分类为适合植入与特异性或胚胎的比例,并被错误地归类为不合适39]。在测量一个胚胎图像集的数量(在[39]),一个阈值。最后获得有意义的数据点在完整的ROC曲线下面积(AUC),计算梯形法则通常的非参数方法。这意味着,贝叶斯方法是选择正确的胚胎移植的一个优秀指标养母。然而,虽然贝叶斯方法有望为体外受精,一个警告是:出版的实际结果。两个(37,39)提供压倒性的证据表明,贝叶斯公式可以或者应该应用于体外受精临床实践,到目前为止,虽然没有直接的应用方法已经发表。有潜在原因缺乏同行评议的文献中的数据。其中一个原因可能是图像采集每个胚胎被认为是麻烦;另一个是因为数据条目可能被视为耗时太长。犹豫的原因我想躺在尝试一种不同的方法进行数据分析,将贝叶斯方法应用于体外受精协议在文献中是一个相对较新的概念。只是需要时间来适应IVF社区。时间会告诉我们。

4.3。预测化合物的毒理学活动

的需要日益准确和有效的方法对预测药物、毒素,或更确切地说人类和化学物质影响环境。那些驾驶这个预测工具的必要性三个基本挑战保持增长随着人类需求的增长对食物、干净的水,和治愈疾病的药物。这些挑战包括(1)需要减少时间动手实验化验,(2)不断增加的成本,和(3)需要减少或取代动物实验(62年,63年]。

直到2009年,Descriptor-based定量结构活性关系(构象)模型(64年毒理学[]的预测模型选择65年]。然而,这些模型的质量取决于质量的数据用于开发模型和化合物的性质限制用于开发模型(66年]。定量构效关系的方法的问题是,该模型只在小集定义的结构相关的化合物和一个单一的目标。因此,一个更好的方法是必要的,以克服有时不合格的预测值和改善建模noncongeneric系列的化合物。黄等。63年)评估三种方法新颖的毒性,加权特征意义(WFS)序列最小优化(SMO)和朴素贝叶斯方法。简而言之,在[63年]部分WFS毒性的预测,贝叶斯方法在许多方面也同样类似。也许其他亚型的贝叶斯方法(即。,selective naïve Bayes, tree augmented naïve Bayes, or端依赖贝叶斯分类器;在[很好地定义39比WFS)可能是更强大的预测;但是关键是由(63年]的贝叶斯方法是一个有效的预测毒理学交互。

5。一个新的、更明确的模型将有利于预测结果的ESCs的特定细胞类型分化,对asc万能,

基于干细胞疗法的想法是特别流行的糖尿病、心脏和神经系统紊乱。这些疾病尤其好的干细胞疗法的目标,因为大部分的症状是与一个特定的细胞类型的损失,例如,多巴胺(DA)对帕金森病(PD)或神经元β糖尿病胰岛细胞。PD,过去的研究人员已经证明,胎儿中脑的细胞移植可以暂时缓解PD症状的老鼠模型系统(67年,68年]。然而,这种效果是短暂的,因为这些细胞没有可靠地分化成DA神经元。因此,研究人员转向ESCs和ipc,始终可以诱导形成DA神经元在体外(5,8,69年]。

虽然ESC / iPSC的潜在用途ASC-derived终末分化细胞类型疗法是有前途的,有几个问题正在解决。这些问题包括形成畸胎瘤、接枝效率、分化能力,纳入现有的组织(即。为神经元、突触形成或移植心肌细胞的潜力),和免疫学反应。综述了这些因素在一个例子从一个相对最近的一篇论文的干细胞疗法(图2;(10])。这图清楚地描述了需要更好地理解特定ESC分化的神经,包括ectoderm-inducing因素和可能的过渡细胞类型的识别。

为了理解一个特定的发展分化的结果如神经在ESC分化模型系统,我们必须首先检查分化作为一个整体。区分ESC /一般的细胞则是诱导形成EBs,概括胚泡发展但缺乏固有的组织胚胎。在胚胎,ESC分化被认为是一个归纳的过程,各胚层的发展影响的其他微生物层。然而,组织囊胚和EB之间的差异可能会影响分化诱导信号的时间和效率(1]。因此,例如,一个神经分化的理解仅仅是不够的。研究人员应该理解神经分化的上下文中广义特定类型的干细胞的分化。映射出ESC分化障碍之一是细胞培养协议的广泛使用(5,10,70年]。有些程序允许EBs的形成,而其他协议跳过这一步没有EB的形成和诱导分化。因为建立ESC线的能力是依赖于应变具体Oct4监管(71年,72年],建立小鼠ESC线条表现出高度保守的自我更新和分化能力。因此,当处理在相同条件下,干细胞来自不同品系小鼠通常有类似的表现(73年),但这可能不是其他类型的干细胞。分化的标准化技术代表的第一步真正理解干细胞分化。建立一个“正常”的ESC分化可以作为衡量一个基线比较成功的组织特定的分化过程。

5.1。可以利用贝叶斯分析方法建模分化吗?

简要精读文献揭示了只有少数研究利用贝叶斯统计放大的结果获得想要的细胞类型([74年,75年下面讨论)。然而,干细胞的一个方面,微分的概念,一直在评估其他细胞使用贝叶斯方法。水平的分化已经相当成功地使用贝叶斯统计调查时添加到程序列表评估转移和肿瘤发生76年]。肺癌和肺结节都是放射异常经常发现顺便说一下。虽然大部分结节是良性的,一些可以代表I期肺癌,必须识别,分类,区别良性同行。此外,这个过程应该尽可能的成本效益。在这些情况下,形态学掌管着选择的方法确定良性与恶性模块(77年]。使用传统的成像技术如薄片计算机断层扫描(CT)、结节边界、大小、轮廓,邻近血管扭曲,内部结节特征都可以用来开始做一个评估。不幸的是,并不是所有的小结节,光滑,定义良好的利润率是良性的单独使用CT技术导致假阴性结果。需要什么划算的决心肺癌评估增长率的结合分析,CT技术,活检,正电子发射断层扫描时,贝叶斯方法理解数据从所有这些技术76年]。

在过多的情况下,数据分析不确定的孤立肺结节必须评估和准确的特点,贝叶斯分析允许更精确的测定恶性肿瘤的概率(pCa) (78年,79年]。这里,贝叶斯分析使用似然比率(LRs)大量的影像学检查和临床特征与孤独的肺结节估计pCa (78年,80年]。LR对于一个给定的特点推导如下: 1.0的LR表明恶性肿瘤的可能性为50%。LRs通常小于1.0显示良性病变,而LRs大于1.0通常表明恶性肿瘤。LRs结节和病人特征选择的影像特点的全面描述(77年,80年]。可以计算为恶性肿瘤的可能性 LR在哪里_之前在所有结节恶性肿瘤的可能性基于局部恶性肿瘤患病率和LR吗_大小,LR_上海(LR_吸烟史)等等是可能的额外变量。主成分分析是计算

贝叶斯分析已被证明是比评价由有经验的放射科医生在良性和恶性结节的分层和可能是有用的在决定治疗方案。pCa对任何结节可以用贝叶斯分析计算j·格尼博士的互联网网站http://www.chestx-ray.com/(2012年11月17日,去年访问)。

在伊拉斯谟et al。80年),从四个临床场景LRs计算,评估假设男性患者顺利加边7毫米结节在右叶。这些计算导致模型使不同的最具成本效益的战略管理决策的一个孤独的肺结节根据每个病人的pCa结节。几项研究从1980年代中期建议最具成本效益的策略是观察当pCa很低(< 0.05),立即手术切除时pCa高(≥0.60),和活检当pCa在0.05和0.60之间81年- - - - - -84年]。中给出的数据(80年)表明,最具成本效益的管理策略的前两个主成分分析患者的0.01和0.05,分别是观察,而最具成本效益的战略第三和第四主成分分析患者的0.07和0.5是活检。

5.2。更多的证据的

也许其中最优雅和彻底调查数学建模一个复杂的生物过程,如癌症来自那个实验室85年(在本例中),这表明,理论关于转移的过程)有时会失败,因为糟糕的选择由专家对现有数据领域的假设。生物科学不确定性模型生物医学模型似乎被忽视的非亲生子女,和这种不确定性研究出版物中只有部分发生。他们继续讨论,这种不确定性主要驻留在专家的头脑并关闭对话,我可以有趣证明每次我参与深度讨论会议。然而,他们指出,在某些领域,如工程、更普遍获得专家意见和采用概率模型在有限的信息是可用的85年]。然而,即便如此,重点是确定模态的意见,而不是估计多样性和不确定性。

所以,不同理论之间的专家可以捕获和建模?Divoli et al。85年)认为,他们不仅可以捕捉和建模,但还可以使用贝叶斯统计分析模型来生成一个正式的概率假设,研究人员可以评估数据。照明是什么在他们的论文中,他们获得的结果不符合他们的期望。他们预计偶尔的分歧,而是遇到了一个宽的概念多样性水平。他们进一步预期,小问题会产生轻微的偏差,但协议的大多数问题。相反,他们发现大相径庭,不同的故事的转移话题。大分歧的一个例子包括是否二次肿瘤可能会导致“三级”转移。他们深入的贝叶斯分析表明,一些思想被广泛共享和更多的想法是罕见的,只有个别科学家或小群体。他们进一步表明富达科学假设从大量的专家必须近似所有专家的集体知识。然而,常见的假设可以从分析捕获少量的采访。然而,许多生物医学研究领域大概这些条件,包括调查几乎所有复杂的障碍造成的组合多个基因和环境因素,如精神分裂症、冠心病、或哮喘85年]。

5.3。如何建模干细胞分化使用贝叶斯框架和方法?

改善预测措施ESC / iPSC / ASC,我提出一个基于贝叶斯方法理解干细胞分化的角度统计分析。应用这种干细胞的贝叶斯方法的基本原理并没有太大的区别比先前描述的其他生物过程。之前的数据用于生成直接概率语句(86年]。因此,在统计数据的频率论的方法相比,将估计的概率在分化,看到的数据是基于假设零假设是正确的,“价值”,贝叶斯方法估计的概率的零假设是正确的结果之前的实验。当然,后者的概率是基于数据或实际发生的事件(观察到的数据),而频率论的声明的概率会基于一个假设,即零假设是正确(不可见的)。上下文中的干细胞,零假设将由分化发生的概率和峰值时间的分化到每个细胞的命运。这种情况类似于应用贝叶斯方法的持续监测许多类型的临床试验(87年]。也就是说,在这种类型的研究,“”表示分化,分化发生或已经见顶。

至关重要的是,当生成概率语句使用贝叶斯方法,零假设被正确的概率可能会改变随着越来越多的数据被认为是。贝叶斯方法的迭代性质使它理想的系统分析高度可变的科学数据,比如ESC分化。这种方法的一个关键特性是,一旦一个贝叶斯模型估计,其效用在“预测”数据是可测试的和非常可靠。这被称为“后预测模型检查”88年];分析导致的概率模型的函数形式是“后”概率分布。这个函数(模型)是用来模拟一个新的“数据集”。这些新数据是一致的与贝叶斯模型(由该模型生成的),这样的“预测”这个模拟的数据模型。当这个模拟数据集与原始数据集相比,贝叶斯模型的适合观测数据检查(“模型检测”)。如果model-implied数据与实际数据相一致,这是证据,确实符合观测数据的贝叶斯模型。没有这样明确的模型检测时可用non-Bayesian方法使用;non-Bayesian替代是一个随机测试方法(89年]这不是特定于统计或研究者假设概率模型。所指出的(90年,594页),“…传统调查方法在生物科学应该辅以数学建模方法…它可以帮助指导实验研究,在实验的结果有助于优化建模。临床的终极目标是利用数学模型来帮助设计治疗策略。“我相信贝叶斯方法应用于干细胞分化时明确地体现了这一哲学。

两个优雅的研究最近使用贝叶斯网络来识别途径在ESC分化(74年,75年]。工作的目的,伍尔夫et al。74年)是确定公司如何应对细胞外刺激通过比较某些信号通路的表达/活动在自我更新和分化。使用四个细胞外因素,白血病抑制因子(生活),纤连蛋白(FN)、层粘连蛋白(LAM)和纤维母细胞生长因子4 (FGF4),他们应用细胞生长和分化的数据一个阶乘的屏幕。Oct4用作分化参考标记,单细胞播种是用于测量扩散。免疫印迹分析使用高度通用的KPSS1.1屏幕从Kinexus Inc .(加拿大温哥华),我们也使用(13,19,91年),提供的磷酸化状态数据。他们的分析使用标准方法如免疫印迹分析p705具体STAT3添加控制很好74年]。

他们发现了什么呢?首先,伍尔夫et al。74年),的确,确认之前报道暗示与自我有关的活动(例如,生活/ STAT3);然而,或许更重要的是,他们发现新颖的信号机制如Raf磷酸化作用的分化和增殖。强度基本工作是证明线性、非线性,和多态逻辑交互将细胞外的信号连接到细胞内网络、控制自我更新、增殖和分化。

他们[背后的数学74年统计涉及但简单,因为他们解释清晰和简明的方法,我不想重写数学方程。他们的模型,然而,做了回顾。Bayesian-based模型强大是因为他们包括三点:验证、可视化、和预测“如果”实验的能力。验证他们的模型是由移动数据集和计算(数据l模型),它被称为一个模型的概率给定数据(74年]。算术方程来计算(数据l模型)由插入数据(例如,数量的Sox3 +细胞)到特定变量的方程。方程的一个重要的概念是,每个变量,也称为节点,可以有着因果联系(由一个箭头)到另一个节点。因此,每个节点都有父节点的列表,也可以有许多变量。与方程(74年),特别是他们的第五个方程,可以测量每个节点对其生物学特性如蛋白质磷酸化或细胞分化率的水平。当然他们必须定义一个模型的概率,(模型),所以它可以有一个数值,在这种情况下,0或1,表示网络的节点是(1)分配一个分数还是不允许(赋0分)。生成的软件确实存在(模型),因此(数据l模型)要求从伍尔夫et al。74年]。数据可以被可视化使用Graphvizhttp://www.graphviz.org/(去年11月17日访问,2012)。为此,一个大的得分打乱和unshuffled数据集的区别表明一个可靠的预测的信号通路。

测试他们的贝叶斯网络模型,伍尔夫et al。74年]从已知的生化特征相比,数据的贝叶斯预测初始KPSS1.1屏幕,发现强关联与生活/ STAT3通路和未分化的细胞。生活通过其受体激活STAT3 gp130,招募并通过磷酸化,激活JAK2,反过来,磷酸化STAT3在705年酪氨酸。这个磷酸化事件导致STAT3二聚,进入细胞核,结合DNA,并激活基因。而他们的贝叶斯网络模型确实预测生活和STAT3之间的强相互作用,它也确定哪些信号通路的ESCs用于增殖和/或分化。

三个州的区别进行了分析:(i)的未分化的细胞增殖率,(ii)分化细胞增殖率,(iii)的分化率。他们发现,分化的细胞增殖的速度是由层粘连蛋白的磷酸化状态RAF1和p38αMAPK,而未分化的细胞增殖率由生活和人们αMAPK。他们惊奇地发现他的生活作为一个未分化的细胞增殖预计监管机构,因为它被认为是一个防止区分代理,因此他们建议仍可能激活另一个未知或不可测量的途径(74年]。他们的第三个标准,分化率,预测受Adducin的磷酸化状态α和Erk2。这些组件的生物学意义,尤其是AdducinαESCs,开车分化不完全了解;然而,他们是优秀的候选人在板凳上进一步详细地测试。

的工作(74年ESCs]首次透露,贝叶斯网络是一个优秀的模型系统,在这种情况下识别信号网络及其对分化的影响。也许更重要的一个启示从使用这个网络模型可视化数据的能力是一个有向图允许简洁的解释大,噪声、生物数据集。

5.4。使用干细胞临床试验监控方法

除了这个一般方法分析ESC / iPSC分化模型,因为该方法的整个框架是贝叶斯,临床试验监测的角度来看是用来预测的概率达到临床试验的目标(最后审判的)顺序分析数据收集(监控)。虽然临床试验监测通常是专门针对识别(即停止规则。,when the probability of harm or efficacy is great prior to the planned end of the study), this framework could easily be adapted for stem cell differentiation so that change can be monitored over the course of the research. As pointed out by [92年,93年),使用一个临床试验数据监控方法从贝叶斯的角度允许终止临床试验结束(或实验),当一个分析的结果进行前完成所有数据收集建议高概率(高于一些先天的阈值),结果将是积极的还是消极的,考虑到整体研究的零假设(p。2180)。对于干细胞研究,这种临床试验监测的方法是很重要的,因为没有它干细胞研究仅仅是一系列渐进的实验计划,所有必须完成,因为一个决定或“模型”只能被创建,目前,完成的基础上所有实验计划。监控视角意味着更高的效率,因为随着模型的发展,估计也进化,直到获得足够的信息(描述“知识”)关于ESC分化模型和时间进程。这对应于“早期停止”的临床试验,是否徒劳或一个新的治疗的优越性决定停止早期基于贝叶斯分析和监控数据。例如,首先,数据来自西方的屁股,rt - pcr和免疫荧光可用于估计ESCs的峰值天的分化。然后,使用这个估计零假设,可以进行更详细的流式细胞仪实验。流式细胞术结果将允许更多的细化和更新估计高峰日分化的实验是复制,可以测试通过免疫印迹,例如,来验证优化。这个过程可能会持续到至少两个迭代,使用一式三份测量,允许焦点被放在时间实际峰值天分化,而会计分化的可变性。复制被当作临时分析(监控),不断更新概率模型。最后,这种类型的工作通常需要一个团队的努力优化细胞建模技术和统计专业知识两个π。

5.5。使用贝叶斯网络预测重组呢?

这是一个eye-raising问题问同事,最近。我认为这是一个很好的问题,因为许多方法生成则既有先进的科学iPSC代,笼罩在同一时间(94年- - - - - -101年]。哪种方法最好?因为三个五或六方法生成则发表最近[98年- - - - - -One hundred.),这是否意味着更多的程序还没有被发现?回答这些问题并没有被琐碎的大多数研究者主要是因为目前使用的方法生成万能。池(~ 20或更多)的重组因子通常是确定从文学(通常),然后测试在托托来确定,事实上,能够诱导特定细胞类型成为多能。如果成功,然后重复这个过程,但顺序删除或添加特定团体或个人会员的原始因素。我记得读(94年)和思考如何优雅的工作但也想知道他们失败了多少次,多少所涉及的所有工作,论文必须有成本。

回答上述问题的生成和采购当如此多的新协议的细胞则是上网需要不同的方法,一种是基于两个系统的预测和计算组件内诱导”食谱。“在2011年末和2012年,贝叶斯网络的方法是,第一次,虽然该方法的应用为万能的发展仍然很新(102年- - - - - -104年),第一反应是标准和模型很好地工作。Chang et al。102年)使用贝叶斯网络搜索最优重组食谱,导致更有效的重组和优质的万能。他们的模型还允许监控的轨迹从iPSC完全分化细胞重新编程。

他们的方法,同时积极参与,现在可以被任何人用来预测重组配方成分。他们最初的分析基因被认为与重编程(例如,Oct4、Sox2 Klf4, cMyc)和基因未知参与重组(如Prdm14)。他们专门雇佣了动态贝叶斯网络(DBN)展开人类ESC循环网络,然后应用那些网络交互搜索菜谱。

事件的顺序生成食谱开始深入文献检索收集信息关于驱动多能性的标记和标记为驱动分化。根据这些信息,可以手动构建基因网络揭示基因之间的连接控制多能性和基因调节分化。Chang et al。102年)集中在52个不同的基因包括Oct4、Nanog Sox2,三个关键基因调节多能性。虽然张et al。102年)关注遗传标记,正如上面提到的,事实上,许多其他non-gene-oriented程序生成现在存在(例如,特定的microrna)的细胞则意味着初始网络可以使用基因生成,microrna,化学物质,蛋白质,或这些操作的组合94年- - - - - -101年]。

一旦网络(基因网络102年)生成和约定,下一个事件需要每个基因被当作一个二进制变量,也就是说,积极的或不活跃。DBN然后应用为了模型活动的反馈循环网络。这很重要,因为尽管循环产生的网络文学提供有关基因的信息交互,它是静态的。循环网络不允许的ESCs的随机性质,但DBNs做。产生周期性的DBN网络,创建一系列无环图基于蛋白质是否发出或接收信息从另一个蛋白质。无环图的基因网络(52个基因常et al。102年])然后组织成两次切贝叶斯网络(2 tbn),可以更新数据变得可用时(102年]。下一步是发展中指定的参数值。每个参数成为DBN模型中的一个实例,当平均在一起允许推论。推论可以导致计算的概率商定的所有基因/蛋白质相互作用网络。这个模型是成功的对确定配方组件重新编程细胞多能性。看22个基因,74年)发现两种状态的概率要明显高于其他任何状态;两国与干细胞和分化状态,分别。从这些22基因,利用均方根偏差(RMSD)和皮尔森和斯皮尔曼等级相关系数比较“重编程”的细胞,为表达相似性和重编程效率至少163185个可能的基因的组合计算。所有的可能性,962食谱导致效率大于0,或者换句话说,可能改变食谱。最优配方都效率高,类似于为其(即高表达的基因。高、低RMSD和皮尔森和斯皮尔曼相关系数)。他们的顶级候选人食谱被分为三个类别每个主监管机构组成的基因+其他两个基因预测提高编程效率。Oct4是不可或缺的,因为它被发现在所有的食谱。Sox2和Nanog也不可或缺,但可以取代对方,虽然基因像LMCD1, PRDM14, PBX1, KLF4, ZFPA1, ZNF206, FOX1A, GDF3, ZFP42, TDGF1, ZIC3变化对主监管机构配合。

从本质上说,这工作和其他人已经表明,通过做实验最小的次数和比较这些发现文献中既存的数据,使用BDNs动态分析可以预测基因的最佳组合,microrna,蛋白质,或所有这些的组合来获得最好的质量则以最有效的方式。

6。深入研究干细胞的贝叶斯模型:标记和定义

基于当前文学的详细审查,7个标记通常被认为是一个强大的最小表示所需的最低定义对asc ESC /万能干细胞分化成细胞/组织代表了三个主要的胚芽层(表1)。除了识别内胚层、外胚层和中胚层,这些标记也可以描述移行细胞类型的mesendoderm和neuroectoderm(表2和3)。标记和细胞类型定义的例子详细如下表(表中1- - - - - -3)。

必须进行免疫荧光来确认每一个标记的表达在分化。这个过程中,应该使用相同的抗体和基本染色流式细胞术协议,代表了一种控制每个抗体的特异性和有效性和未来实验的可靠性。ESCs Nanog表达式是最高的未分化,正如所料,并减少在分化(图3(一个))。有趣的是,一些Nanog阳性细胞仍然保持在d10,可能代表这些未分化的细胞,为畸胎瘤的形成做出贡献。内胚层标记Hnf3β第一次表达了大约2天,而中胚层和外胚层标记,‘诺金’和Ap2 -α分别不存在直到d5(图3(一个))。加强共焦数据,定量rt - pcr结果清楚显示表达式的一般时间进程为特定标记(图3 (b))。综上所述(图3(一个)和3 (b)),这些数据表明,每个胚层分化收益在不同的时间进程,和染色强度随时间的变化使我们相信,山峰在分化可以确定。

结合,免疫荧光、西方的屁股和rt - pcr证实细胞做的,事实上,每个主胚层分化成,基于每一个标记的存在。尽管这些数据不能用于生成一个定量测量细胞的数量区分每一天到每个组织类型,这种方法确实使一代的概率陈述和描述性统计ESCs的可变性对asc /万能/贝叶斯方法及其应用的分析。

7所示。深入更深:步骤完成贝叶斯模型

实验设计是基于迭代的贝叶斯框架(IBF)的初步数据可以用来生成一个预测未来实验结果(86年]。这个过程,解释表4,是理想的缩小的重点课程所需的时间,增加的分辨率分析,占可变性在我们的系统中,数据输出最大化,同时最小化成本。每次实验进行时,一个新的结果,即反射更多的数据,将计算。基于这种新的预测,实验设计可能会改变在高峰时间点上特定的ES细胞分化命运。

步骤1:未分化和差异化的流式细胞术。每个细胞必须先归类为“分化”或“无差别”基于上述定义(表2)。然后,这些数据(细胞计数)图形随着时间的推移,和细胞分化的比例计算在任何一天。这些数据进行曲线拟合分析GraphPad等使用的软件程序。虽然这并不让我们洞察组织特定的分化的时间进程,它允许图形建模过程的分化和决定细胞的比例实际上区分在任何一天(图4)。基于曲线的形状,这张图将确定时间点的差异化是最可能的。这些时间点后可能被研究者用来提高干细胞文化差异化协议。最终,这条曲线,结合数据从步骤2(下图),创建了一个有凝聚力和综合模型的干细胞分化的时间进程。从贝叶斯的角度来看,这项研究始于“noninformative之前使用平均超过以前公布的结果,作为初始估计在高峰可能会分化。作为数据收集,这估计是更新;图形化模型(图4)出现的概率分布函数形式也出现了。这种分配形式结合越来越精确的达到峰值的估计,为了实现一个模型,该模型可用于实现后预测模型检查(88年),这将验证结果模型,以及获得可信度区间估计的峰值和时间进程的里程碑。从“前noninformative”将产生信誉间隔下置信区间也有类似的解释频率论的方法(93年]。

生成一个模型的主要问题之一是它的适用性。测试这个模型可以用来描述不同ESC分化的类型,我们跟着feeder-free CCE和feeder-dependent R1的ESCs被诱导分化(13- - - - - -15]。使用一个容易检测到输出,功能跳动的心肌细胞的分化,我们决定这两个细胞系分化沿着相同的时间20.,91年]。其他实验室也显示出类似的结果当使用分子标记跟踪ESC心肌细胞分化(引用在91年])。在一起,这些数据表明,该模型可以用于研究人员精简各种细胞系的分化。

步骤2:特定细胞类型分化。以流式细胞仪/ Baysian方法进一步,一个窗口获取最纯粹的人口所需的细胞类型。每个单元分析的预测上的每个胚层标记的存在意味着天,加上或者减去每一天包含在标准偏差(图中5)。例如,如果预测天分化是第五天,标准差是2天,然后细胞应该分析3天,4,5,6,7,8。每天在这个范围内,分析了三个复制,数据点生成用于计算平均值和标准偏差的数量每个胚层细胞分化成。分化细胞的数量的天是最大和标准差最小然后取代了原来的预测意味着为下一次迭代的数据收集。这个实验的第二次迭代的时间跨度的差异化分析应该缩小增量的12小时。这个增量减少是合适的,因为现在的平均值和标准偏差估计更加准确,由第一轮数据收集。平均值和标准偏差在这个迭代生成一天成为最终的预测在每个胚层分化成是最有可能的。因为这是唯一的价值,将被认为是在实验结束时,重要的是要有足够的复制生成描述性统计和构建可靠的信誉。提出了五个复制。而进一步的迭代可以精确概率最高的分化到小时,这些数据是没有必要的,因为一些细胞在一个未分化的文化总是开始分化。 As a result, this system contains too much inherent variability to be resolved over small increments of time. In addition, researchers, whether in the laboratory or the clinical setting, do not work 24 hours a day. Therefore, defining the process of differentiation within the scope of an appropriate work schedule will be more useful and powerful.

8。应用模型:确定STAT3的特定角色的干细胞分化和决心外胚层的命运

上述实验的目的是创建一个急需的工具,研究人员可以使用作为一个控制的研究回答这个问题:什么时候最优排序我分化干细胞获得所需的大部分类型的细胞(如心肌细胞,神经元,β细胞,等等)。所以,这怎么可能应用于研究从纯化的细胞分化途径?在伍尔夫et al。74年),外部刺激的影响细胞内途径驱动器上分化进行了分析。在这里,我们看看更具体的路线分化主要是因为ESC的具体课程,iPSC, ASC分化并不是完全理解,某些蛋白质或药物的影响差异化的发展是难以准确衡量。因此,将贝叶斯模型应用于干细胞分化(这里是ESC分化)将建立一个基线或控制时间课程指导细胞类型分化。在过去的十年我们的目标之一是识别STAT3在命运特定ESC分化的作用,证明我们的模型可以很容易地和有效地操纵。更具体地说,一个计划一直在关注STAT3的影响外胚层的分化。STAT3是重要的神经前体的形成,改变这种信号通路可能是有效的目标,增加生产的外胚层的细胞和神经前体细胞的干细胞疗法(14,105年,106年]。

8.1。理解STAT3在ESC分化的作用

为了更好地理解STAT3在分化功能,目前我们正在应用数据从细胞系,具有活性大幅减少STAT3贝叶斯模型和比较这些数据来控制细胞的集合。使用流式细胞仪数据采集。这些稳定转染细胞系过多表达STAT3的构造β占主导地位的否定形式的STAT3 (107年,108年]。STAT3的β细胞表达干细胞标记物的正常水平,Oct4 Nanog,但明显降低STAT3的目标基因细胞周期蛋白D1和myc(未发表的数据和13])。免疫印迹的数据表明,这个显性负试验细胞系的功效让我们比较分化在STAT3的进展β细胞的正常的ESCs,从而阐明STAT3的损失的影响外胚层的命运的承诺。使用重复测量方差分析,可以确定如果STAT3的表达β导致显著改变分化的胚芽层。

确认以上数据和提高我们的能力显然分析ESC分化成外胚层的/ neuroectodermal细胞的效率,例如,可以使用遗传扰动技术引入转基因表达GFP Sox3启动子的控制下对野生型和STAT3βES细胞。这些细胞系允许流式细胞术和生存分析确定确切的时间点承诺neuroectodermal命运发生。一般来说,生存分析是一种先进的统计方法确定感兴趣的事件发生的竞争风险随着时间的推移,(109年]。在我们的例子中,利益分化成neuroectodermal命运的事件,时间是分化的进程。

生存分析的另一个好处是,除了识别neuroectodermal分化,人们还可以占细胞死亡(PI染色)和分化成nonneural细胞类型。因此,利用生存分析在分析我们的GFP ESC行应该生成一个图形显示的时间细胞承诺neuroectodermal命运,提供一个相对测量的分化效率。可能的生存分析输出的一个例子是描绘在图6。

一旦STAT3的时间进程βESC分化已经建立了使用贝叶斯模型和控制ESC分化贝叶斯模型相比,这些数据可以用于开发新技术对差异化的ESCs细胞类型特定的通路。例如,数据可能表明STAT3在分化产生负面影响的损失外胚层的细胞(图的生产7)。利用这一知识,额外的流式细胞仪实验,STAT3的活动是调节分化不同时期,可以进行。再次,通过比较这些结果控制模型,改变STAT3的影响活动效率的外胚层的分化可以确定和分析的统计学意义。这样,其他研究人员可能使用我们的模型来生成最有效的组织培养协议的干细胞诱导分化成任何类型的细胞。贝叶斯方法的使用将会被证明是有价值的对于那些干细胞疗法感兴趣,因为这将消除需要重复单元排序在分化,和它将使细胞分化良好,效率和生理健康发展。

9。讨论模型的:打破基础

“贝叶斯方法顺序学习的支持,允许发现预测未来结果的分布,并使借贷在研究力量。“(86年,92年)铰接的推导预测概率计算在临床试验监控从贝叶斯的角度来看,当调查人员感兴趣的是停止试验(由于徒劳(两组之间没有差别),或优势(治疗比另一个)。推导公式,提出了二项变量的情况下2180 - 2184页的92年)(额外的推导在附录(2194页)。而不是概括这些派生的,我关注的假设和细节方面的贝叶斯方法估计是如何更新的,以及它是如何被当数据开始聚集在一个特定的估计分化及其时间进程。

具体来说,如上所述,贝叶斯分析包括三个主要组件:先验分布,数据的可能性,和后验分布110年]。后的乘积成正比的可能性和先验分布。后验分布的联合分布参数估计;在现在的环境下,给出二项结果(分化/没有区别),我们将假设一个正常的近似二项分布,然后边缘后验分布的模式会屈服点估计的参数(类似于样本均值和方差)。选择先验分布,可以开始的绊脚石贝叶斯分析或包装进行审核(见,例如,93年])。所推荐的(92年,考虑到二进制(见顶,没有峰值;分化,没有区分)结果模型的性质,选择β分布为让这个之前尽可能接近“零”分布。初始参数应选用β是1.0。因此,先验分布和之前的数据收集,它假定。如果一个实验的结果(当前的实验结果)和下一个实验的结果,然后Dmitrienko王的方程可以使一个估计的概率与as-yet-undone实验的结果给出当前实验的结果(2183页):

在哪里代表的预测概率(下一个实验的结果)(当前的实验结果),=细胞能够分化的总数,=细胞未分化的数量必须介于0和()。然后后事件率()将两个条件和和也将遵循贝塔分布,但参数和将被发现和。这允许更新和。我试图简化所有的工作表4。

9.1。可能出现的问题和解决方案

因为研究的总体框架提出了贝叶斯,拟更新估计(关于分化和时间进程)根据贝叶斯临床试验监测方法了(92年]。然而,两个问题可以出现。首先,从不同的标记在每一个实验的证据或步骤可能不是一致的。一些标记可能会支持一个结论,而其他标记支持另一个。这对于科学本身不是问题,但需要调整分析计划。即,一个需要构建模型来适应不同的结果。这可能是在WinBUGS通过建立多个连锁店开始与不同的值代表不同的结果(如果他们观察到)。第二个问题是如果假设先验分布施加不适当的影响(数据)不能克服的。检测如果发生这种情况,一种灵敏度分析来评估一组前参数的影响应进行。这涉及到各种各样的起始值α和β,使用一个实际的统一的先验分布(而不是,这就看制服)和跟踪每个实验的结果来确定结果符合文献表明什么。例如,截然不同的连续实验结果确认,这样我们不会简单地继续更新不考虑每个值的合理性。

10。结束语

这里的一些数据,我已经做了大约没有以前公布。我相信这种方法应该在科学界之间共享,因为如果实现,IBF方法可以显著提高收集和理解的ESC / iPSC的细胞分化。我并不是说的频率论的方法分析干细胞分化应该废弃。相反,它导致了专家协议等概念的多能性所必需的基因(111年- - - - - -114年]。然而,仍有许多专家从ESCs的万能,对asc和分化成所需的细胞类型,和贝叶斯统计无疑将协助专家获得最好的电池感兴趣的,希望加快这一进程。

确认

非常感谢博士卡拉Foshay帮助制定了本文提出想法。作者将永远珍惜他们的讨论和她这个工作巨大贡献。这项工作被授予由NIH资助作为NTSA批准号1 f31ns056530-01a2博士前的服务奖(卡拉Foshayπ和加里卡诺的导师)。