微阵列(SAM)显著性分析是一种广泛使用的统计技术，由Virginia Tusher、Robert Tibshirani和Gilbert Chu于2001年建立，用于测定基因表达的统计学显著变化。随着DNA微阵列的出现，现在可以在一次杂交实验中测量多达数千个基因的表达。生成的数据是巨大的，一种分类哪些是重要的，哪些不是的方法是至关重要的。

SAM通过执行一组基因特异性t检验来识别统计上显著的基因，并为每个基因j计算一个统计dj，这衡量了基因表达和一个响应变量之间的关系的强度。根据基因表达的变化相对于该基因重复测量的标准差，每个基因都被赋予一个分数。如果一个基因的得分高于临界值，则被认为具有潜在的显著性。这些基因被偶然识别的可能性是错误发现率(FDR)。通过对无义基因的测定，对其进行排列分析，从而对FDR进行估计。可以调整阈值来识别更小或更大的基因集合，并且为每个集合计算FDRs。

非参数统计被用于此分析，因为数据可能不遵循正态分布。响应变量根据实验条件对数据进行区分和分组。在这种方法中，重复排列数据，以确定是否任何基因的表达是统计上显著相关的反应。基于排列分析的使用解释了基因的相关性，并避免了对每个基因分布的参数假设。这是其他技术(如方差分析和Bonferroni)的优势，这些技术假定相同的方差或独立的基因。

如何下订单:

*如果您的机构要求签署保密协议，请通过电子邮件与我们联系