Krooninen sairaus

tiivistelmä

Background

Uusien suurikapasiteettisten genotyypityksen tekniikoiden ansiosta nopea arviointi yhden nukleotidin polymorfismien (SNP) on genomin laajuisesti. Useat viimeaikaiset genomin laajuinen yhdistys tutkimukset käytetään näitä tekniikoita mukaan paneelit SNP voi olla hyödyllinen väline ennustamiseksi syöpäalttiutta ja löytämistä potentiaalisesti merkittäviä uusia tauti loci.

Menetelmät /Principal Havainnot

Tässä asiakirjassa me suorittaa huolellisen tarkastelun suhteellinen merkitys genetiikan, ympäristötekijöiden ja harhojen tietojen analyysin protokollaa, jota käytettiin aikaisemmin julkaistu genomin laajuinen yhdistys tutkimuksessa. Että ennen tutkimuksessa raportoitiin lähes täydellinen syrjintä ruokatorven syöpään potilaiden ja terveiden verrokkien perusteella ainoastaan ​​geneettisen informaation. Toisaalta, tuloksemme viittaavat vahvasti siihen, että SNP tietoaineiston eivät tilastollisesti sidoksissa fenotyypin, kun taas useat ympäristötekijät ja erityisesti suvussa ruokatorven syöpään (proxy sekä ympäristö- ja geneettiset tekijät) on vain vaatimaton yhdessä sairaus.

Johtopäätökset /merkitys

Suurin osa aiemmin väitti vahva syrjivä signaali johtuu useista analysointi kompastuskivet, että yhdessä johtivat voimakkaasti optimistinen tuloksia. Tällaiset sudenkuopat ovat estettävissä ja olisi vältettävä tulevissa tutkimuksissa, koska ne luovat harhaanjohtavia päätelmiä ja tuottaa monia vääriä johtaa myöhempää tutkimusta.

Citation: Statnikov A, Li C, Aliferis CF (2007) Effects of Environment, Genetics ja data Analysis karikot käytettäessä ruokatorven syöpä genominlaajuisten Association Study. PLoS ONE 2 (9): e958. doi: 10,1371 /journal.pone.0000958

Academic Editor: Enrico Scalas, University of East Piemonte, Italia

vastaanotettu: 30 heinäkuu 2007; Hyväksytty: 30 elokuu 2007; Julkaistu: 26 syyskuu 2007

Copyright © 2007 Statnikov et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Rahoitus: Työ oli osittain tuettu avustuksen R01 LM007948-01. Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

Yksi lupaava analysoinnissa käytettävät ihmisen perimän ja geenien tunnistaminen ja genomialueiden edistää fenotyypit on käyttää yhden nukleotidin polymorfismien (SNP). SNP muodostavat yli 90% kaikista ihmisen geneettinen vaihtelu ja on tutkittu laajasti toiminnallinen suhteita genotyypin ja fenotyypin. Kynnyksellä suurikapasiteettisten genotyypityksen teknologioita on mahdollistanut nopean arvioinnin SNP on genomin laajuisesti suhteellisen alhaisin kustannuksin [1] – [3].

aikana viimeisten kahden vuoden aikana useita ryhmiä raportoitu menestystä käyttämällä SNP genotyypitykseen määrityksissä assosiaatiotutkimuksissa syövän [1], [4] – [8]. Erityisesti tutkimus Hu et al. raportoitu lähes täydellinen luokittelu ruokatorven syöpään tapauksissa ja valvonnan perusteella vain SNP dataa tapaus-verrokki genomin laajuinen yhdistys tutkimuksessa [8]. Otettu nimellisarvo, tämä tulos viittaa siihen, ruokatorven syöpä on yksinomaan geneettinen sairaus. Tämä on ristiriidassa muiden kirjallisuutta, jossa korostetaan merkitystä ympäristön syöpäalttiutta [9], [10]. Jotta valottaa tätä asiaa, me uudelleen analysoi tietoja [8].

Havaitsimme kaksi data-analyysi sudenkuopat [8], joka aiheutti liian optimistinen johtopäätöksiä alkuperäisessä paperi: Ensinnäkin SNP valintamenetelmä pahoin painotettu väittämällä merkitys SNP, jotka eivät todella liittyy tautiin. Toiseksi sekä SNP valinta ja rakentaminen luokittelija malli tehtiin samat asiat kuin käytettiin arviointiin luokitustarkkuudesta. Koska kumpikaan ristivalidointi eikä riippumatonta näytettä validointi tehtiin, tuloksena luokittelu suorituskykyä arvio oli ylioptimistisia.

Teimme uudelleen analyysi SNP ja ympäristötietoja, joka korjaa edellä mainitut ongelmat ja totesi, että SNP tässä aineisto ei tilastollisesti liity ruokatorven syöpä, kun taas useat ympäristötekijät, erityisesti suvussa ruokatorven syöpään (joka mahdollisesti selittää monia ympäristö- ja geneettiset tekijät), on vaatimaton yhdistys sairauden kanssa. Kvantitoimme osuus kunkin tekijöiden syövän luokitteluun ja edellyttäen puolueeton luokittelu tehokkuusarviot vakiintuneita puolueeton tietojen analysointi protokollia. Koska vähäinen osuus SNP syöpään luokitusta, meidän havaintojen mukaan SNP tunnistettu [8] puuttuu tilastollista näyttöä osallistumalla ruokatorven syöpään.

Materiaalit ja menetelmät

kaikki tiedot analyysit lisäksi jäljitellä menetelmiä [8], käytimme puolueeton vaihtoehtoja, jotta vaikutukset bias (jos on) analyysissä [8] voitiin määrittää. Oikeutus harhattomuus vaihtoehtoisia menetelmiä annetaan asiaa alla olevissa kappaleissa.

Tutkimus Tietoaineistot

Tietoja käytetään esillä olevassa tutkimuksessa on sama kuin käytettiin alkuperäisessä paperissa [8]. Aineisto koostui 50 ruokatorven okasolusyöpä potilasta ja 50 ohjaa. Potilaat oli diagnosoitu ruokatorven syöpä välillä 1998 ja 2000 Shanxin Cancer Hospital Taiyuan, People Kiina. Kaksikymmentäviisi potilasta ja yhdeksän valvonta oli positiivinen suvussa tauti. Kontrollit iän, sukupuolen ja asuinpaikan.

Genotyyppaustulokset laskimoverta näytteiden kaikkien aineiden tutkimuksessa tehtiin National Cancer Institute (Bethesda, Maryland) voidaan tiivistää seuraavasti: Alkio line DNA uutettiin ja puhdistettiin. DNA-näytteet valmistettiin myöhemmin ja analysoitiin mukaan Affymetrix GeneChip- Mapping Pitoisuus protokollaa. 10K SNP paneelit, 11555 SNP jaetaan koko ihmisen perimän skannattiin ja genotyypin puhelut määrättiin automaattisesti Affymetrix GeneChip- DNA-analyysi ohjelmisto. Neljä genotyyppi puhelut määriteltiin tietojen: AA, AB, BB, tai ”puhelua”. Tarkempia tietoja biologisen näytteen keräämistä ja käsittelyä, kohde valmistelu, skannaus, ja genotyyppi sukupolvi annetaan [8].

Kunkin aihe, seuraavat viisi muuttujaa Lisäksi on kirjattu: ikä haastattelu (vuotta), tupakka käytä (kyllä ​​/ei), alkoholin kulutus (kyllä ​​/ei), suvussa ruokatorven syöpään (kyllä ​​/ei), ja kulutus suolakurkkua (kyllä ​​/ei).

SNP Array Data valmistelu

Ennen tietoanalyysit, me esikäsiteltyjä SNP array data kuvattua menettelytapaa alkuperäisessä paperissa [8]. Ensinnäkin pois 11542 SNP alkuperäisessä aineisto, 105 SNP poistettiin, koska niitä ei voida kuvata ihmisen genomin kanssa NCBI rakentaa 36. Toiseksi, minimoida mahdolliset genotyypityksen virheet, 946 SNP poistettiin, koska ne olivat homotsygoottisia joko tapauksissa tai valvontaa . Kolmanneksi, samasta syystä, 482 SNP poistettiin, koska ne eivät täyttäneet Hardy-Weinberg tasapaino kontrolliryhmässä on α = 0,01 tasolla [11]. Neljänneksi, ”resessiivinen” koodaus SNP (AA = 1, AB = 0, BB = 0) toteutettiin. Näiden vaiheiden jälkeen aineisto koostui 10009 SNP.

Koska osa data-analyysimenetelmiä (esim pääkomponenttianalyysiin tai Tukivektorikoneet kuvattu alla) vaadi puuttuvat tiedot, me laskennallisiin puuttuu genotyyppien SNP aineisto ja käyttää sitä milloin näitä menetelmiä käytettiin. Tarkemmin, käytimme monimuuttuja nonparametric naapuriin syyksi tekniikkaa [12], [13].

SNP Selection

Ensimmäinen käytimme SNP valintatapa kuvattu [8]: Kunkin SNP, yleinen lineaarinen malli (GLM) on todennäköisyys syövän sovitettiin käyttäen ennustaja muuttujia SNP ja kaksi muuta muuttujaa: suvussa ruokatorven syöpään ja alkoholin kulutusta. GLM sovitettiin kaikkiin 100 aiheista jättämättä itsenäistä testausta näyte. Sitten p-arvo saatiin perustuu erotuksen poikkeavuuden

D

0

nollakaapelien mallin ilman ennustaja muuttujia ja häiriintynyt

D

1

on asennettu malli. Ero

D

0-D

1

seuraa chi-neliön jakauman 3 vapausasteita. Koska edellä menettelyä sovelletaan kuhunkin SNP että aineisto, on välttämätöntä säätää useita vertailuja sen varmistamiseksi, että haluttu osuus vääriä positiivisia (0,05) on säilynyt. Tätä varten Bonferronin oikaisu suoritettiin merkitsevyystaso 0.05 testin (so käyttämisen sijaan merkitsevyystaso 0.05, taso 0,05 /useita SNP sijaan käytettiin). Viittaamme yllä menetelmä ”GLM1”. Lopuksi on huomautettava, että Bonferroni säätö usein tuottaa varovaisen arvion tilastollisen merkittävyyden ja oletetaan, että kaikki SNP: t ovat riippumattomia, kun on olemassa menetelmiä, jotka ovat vähemmän konservatiivisia ja voi olla sovellettavissa, kun SNP: t ovat riippuvaisia, esim. [14] – [16].

Koska p-arvo GLM1 kuvastaa yhdistetty vaikutus kolmen ennustajan muuttujaa, se on yleensä pieni, vaikka SNP ei ole vaikutusta ruokatorven syöpä ollenkaan . Ongelman ratkaisemiseksi alkuperäisen analyysin, me myös käyttöön seuraavat puolueeton SNP valintatapa: me edetä samalla tavalla kuin GLM1 paitsi että p-arvo perustuu erotuksen poikkeavuuden

D

”

0

mallin mukaan lukien suvussa ruokatorven syöpään ja alkoholin kulutuksen ja häiriintynyt

D

1

. Tuloksena tilastotieto

D

”

0-D

1

seuraa chi-neliön jakauman kanssa yhden vapausasteen, ja se heijastaa vaikutusta SNP, joka on analysoidaan. Kutsumme tätä menetelmää ”GLM2” ja osoittaa, että se on todellakin puolueeton vuonna Tulokset ja niiden tarkastelu jakso ja tukeminen Information File S1.

Lisäksi asennettaessa tukivektorikoneet (katso seuraava kohta) muuttamisesta data, myös soveltanut rekursiivinen Feature Elimination (RFE) tekniikkaa, joka on yksi parhaiten Säätövastuskytkentää valinta menetelmiä microarray geenien ilmentyminen tietojen ja muiden korkean suoritustehon molekyyli- aineistoja [17]. Lyhyesti, tämä menetelmä käsittää iteratiivisesti istuva tukivektorikone syövän luokittelu mallien luopumalla SNP kanssa pienin vaikutus luokitteluun ja valitsemalla SNP jotka osallistuvat tehokkaimpiin luokitusmalli. Toisin kuin edellä GLM perustuvilla menetelmillä, käytimme RFE vain koulutusta joukko potilaiden ja verrokkien aikana ristivalidointi.

Syöpä Classification Models

Ensimmäinen, käytimme luokitusta kuvattua menettelyä [ ,,,0],8]. Eli pääkomponenttianalyysi (PCA) suoritettiin valittujen SNP, ja sitten ensimmäinen pääkomponenttina uutettiin ja käytetään ennustamaan syövän tilan.

Koska state-of-the-art vaihtoehto PCA -pohjainen Luokitusumenettely, haimme tukivektorikone (SVM) luokittelijoiden [18]. Perusajatuksena on SVM luokittelijoiden on laskea maksimaalisen marginaalin hypertaso erottaa tapaukset ja valvontaa. Saavuttaa epälineaarinen erottaminen, tiedot epäsuorasti kartoitettu korkeamman ulottuvuuden tilan avulla ytimen toiminto, jossa erotetaan hypertaso löytyy. Aiheet luokitellaan puolelle hypertaso ne kuuluvat. Nämä luokitus menetelmiä käytetään yleisesti analysointiin suurikapasiteettisten molekyyli- data [4], [19] – [21] ja on monia houkuttelevia teoreettisia ja empiirisiä ominaisuuksia. Esimerkiksi ne usein outperform muut luokitus menetelmiä hyvin samankaltaisia; ne ovat myös melko herkkiä suuren muuttuja-to-näytesuhde; ja ne voivat oppia hyvin monimutkainen luokittelu toimintoja [18], [22]. Käytimme libSVM täytäntöönpanoa lineaarisen SVM luokittelijoiden (www.csie.ntu.edu.tw/~cjlin/libsvm/). Kokeilimme myös epälineaariset SVM luokittelijoiden mutta ne johtivat monimutkaisempia malleja samanlaisia ​​luokituksen suorituskykyä.

arvioimiseksi yhteinen suoritus SNP ja ympäristötekijät (ja /tai suvussa), käytimme ensemble luokittelu perustuvat menetelmät SVM luokittelijoiden. Esitämme tässä paperissa on tuloksena vain parasta ensembling tekniikka, keskiarvot ennustuksia kaksi SVM luokittelijoiden kunkin aihe: toinen perustuu SNP dataa ja toinen perustuu ympäristötekijät (ja /tai suvussa). Kuvauksen ja tulokset muiden ensembling tekniikoita annetaan tukeminen Information File S2.

Evaluation of Classification suorituskyky

Toisin kuin alkuperäisen tutkimuksen [8], että käytetty osuus oikea luokituksia suorituskykyä metrinen, käytimme ala ROC-käyrän (AUC), joka on enemmän voima havaita ennustava signaali SNP [23] – [25]. ROC-käyrä on kuvaaja herkkyys versus 1-spesifisyyttä eri luokituksen raja-arvoja. AUC välillä 0 1, AUC on yhtä suuri kuin 0 osoitetaan huonoin mahdollinen luokittelija, 0,5 edustavat satunnainen (eli epäinformatiivisia) luokittelija, ja 1 edustaa täydellinen luokitus. Erinomainen johdatus ROC-analyysi luokitusta annetaan [25].

Saadakseen puolueeton AUC arvioiden syöpä luokitus mallit rakennettiin ja arvioitiin toistuvien 10-kertainen ristivalidointi menettely [26]. Toistuvat 10-kertainen ristivalidointi estimaattori luokituksen suorituskyky voidaan saavuttaa suorittamalla säännöllisesti 10-kertainen rajat validointimenettelyllä 100 kertaa eri jakaa tietoa koulutukseen ja testaus sarjaa ja raportointi keskimääräinen arvio kaikkien 100 kulkee. Tämä estimaattori on asymptoottisesti puolueeton, koska näytteiden testaamiseen ei koskaan käytetä kouluttaa luokittelija. Lisäksi toistuvat 10-kertainen ristivalidointi on paljon pienempi varianssi kuin säännöllistä ristivalidointi joka voi vaikuttaa ei-edustava split tietojen [26].

Tulokset ja keskustelu

Vaikka ennen työn raportoitu 37 merkittäviä SNP soveltamalla menetelmää GLM1 että ruokatorven syöpä SNP array aineisto [8], meidän suorituksen julkaistun protokollan [8] johtaa 226 merkittäviä SNP. Ero raportoitu määrä 37 SNP johtuu Lisäsuodatusta askel, joka suoritettiin joukko SNP merkitsevä Bonferronin oikaistu 0,05 α-tasolle, joka ei ole raportoitu alkuperäisessä julkaisussa (Dr. Maxwell Lee, henkilökohtainen tiedonanto). Vuodesta, kun osoitamme alla, puolueeton menetelmä SNP vaikutuksen arviointi (esim GLM2) tuottaa nolla merkittäviä SNP, ylimääräisiä suodatus askel on tarpeeton, siksi emme pidä tällaista suodatusta olevassa työssä.

Kuitenkin soveltaminen PCA-pohjainen luokittelija tietoihin 226 merkittäviä SNP toistetaan luokittelu suorituskykyä alkuperäisen tutkimuksen [8]. Nimittäin, ensimmäinen pääkomponentti tarjoaa lähes täydellisen luokittelu potilaiden ja verrokkien 0,98 AUC ja 0,93 osaa oikein luokitusten (kuvio 1). Kuitenkin tämä tulos on liian optimistinen johtuen pääosin seuraavista syistä.

Ensimmäinen pääasiallinen komponentti tarjoaa lähes täydellinen erottaminen tapausten valvontaa.

Ensinnäkin laskettaessa p -arvon SNP valintatapa GLM1 ei heijasta merkitystä SNP käsiteltävänä, mutta merkitys kolmen muuttujan yhdistetyn (SNP, suvussa ruokatorven syöpä, ja alkoholin kulutus). Koska suvussa ja alkoholin kulutus ovat vahva riskitekijä ruokatorven syöpään, tämä p-arvo on puolueellinen kohti nollaa, vaikka SNP ole mitään tekemistä ruokatorven syöpä. Tämä bias voidaan osoittaa seuraavasti: On kohtuullista olettaa, että suurin osa SNP ei ole mitään vaikutusta ruokatorven syöpäriskiä. Näiden SNP: t, p-arvojen pitäisi seurata tasaista jakautumista välillä 0 ja 1. Kuitenkin valtaosa niiden p-arvot olivat 10

-3 (kuvio 2), joka on yhdenmukainen sen kanssa, että niiden p-arvo heijastuu yhdistetty vaikutus suvussa ruokatorven syöpään, alkoholin kulutus, ja SNP sijaan SNP itse. Toisaalta, menettely GLM2 heijastaa vaikutuksia vain SNP: ja ei kärsi edellä puute (kuvio 2). Entistä kehittää empiiristä permutaatio-pohjainen osoitus miksi GLM1 on jännitetty, kun GLM2 ei on säädetty tukevat tiedot File S1. Soveltaminen menettelyn GLM2 ei johtanut merkittäviä SNP jälkeen Bonferroni säädön (kuva 2). Siksi SNP raportoitu [8] tilastollisesti merkitsevä eivät ole tilastollisesti merkitsevä Bonferronin oikaistu 0,05 α-tason.

luku esitetään logaritmisella asteikolla mukavuussyistä. Pystyviiva on Bonferronin säädetty α-(0.05 /10009). Vaikka on olemassa SNP, jotka ovat merkittäviä mukaan GLM1 menetelmällä, ei SNP on merkittäviksi GLM2. Jakauma p-arvojen GLM2 on yhtenäinen, mutta jakelu GLM1 ei ole.

Toiseksi sekä SNP valinta GLM1 ja rakentaminen PCA-pohjainen luokittelija mallia tehtiin [8] sama 100 aiheita kuin käytettiin arviointiin loppupistelaskennassa tarkkuudella. Koska kumpikaan ristivalidointi eikä riippumatonta näytettä validointi tehtiin, tuloksena luokitus suorituskyky arvio on liian optimistisia kuten edellä [27], [28]. Saadakseen puolueeton suorituskyvyn arvio SNP valintatapa ja luokittelija on [8], edellä menetelmiä sovellettiin toistuvasti 10-kertainen ristivalidointi. Tuloksena luokittelu Arvio tuloksen oli 0,68 AUC, mutta alkuperäinen menettely [8] johti 0,98 AUC, osoittaen 0,30 AUC yliarvioida.

arvioimiseksi osuus SNP ja muita muuttujia ruokatorven syöpä luokitusta, teimme useita analyysejä, jotka on esitetty yhteenvetona taulukossa 1. Käytimme SNP valinnan tekniikkaa RFE [17] ja SVM luokittelijoiden [18] on kuvattu Materiaalit ja menetelmät osassa. Kun SNP dataa käytetään yksinään, suorituskyky on 0,51 AUC joka on tilastollisesti erotettavissa tehokkuuden, eli epäinformatiivisia luokittelijan (0,50 AUC). Toisaalta, neljä ympäristömuuttujia yksin (ikä haastattelu, tupakan, alkoholin käyttö, ja kulutus suolakurkkua) voidaan luokitella syöpää 0,60 AUC osoittaa vaatimaton yhdessä syöpä. Kun nämä neljä ympäristön muuttujat yhdistetään SNP dataa, tuloksena suorituskyky hieman nousee 0,62 AUC. Vielä yllättävä tulos oli, että yksi muuttuja (ts suvussa ruokatorven syöpä) voidaan luokitella taudin 0,66 AUC joka on tarkempi kuin käyttäen SNP dataa ja neljä muuta ympäristön muuttujia. Oletamme, että tämä tapahtuu, koska suvussa sisältää tietoja muiden ympäristötekijöiden ja geneettisten muuttujia, joita ei mitata tutkimuksessa data. Tietenkin on olemassa paljon enemmän kuin neljä ympäristön vaikuttavia muuttujia ruokatorven syöpään. Samoin Affymetrix 10k SNP array on varhainen genotyypityksen tekniikkaa, joka ei tarjoa niin tiheä genomista kattavuuden kuin uudemmissa paneelit, 500k SNP [29], [30]. Kun suvussa yhdistetään neljän muun ympäristön muuttujia, syöpä voidaan luokitella 0,73 AUC joka on tarkempi kuin käyttämällä joko joukko muuttujia yksin. Toisaalta, kun suvussa yhdistetään SNP dataa, tuloksena luokitin 0,64 AUC ei ole yhtä tarkka kuin käyttämällä entinen muuttuja yksin. Lopuksi, kun SNP ja kaikki muut muuttujat yhdistetään, syöpä voidaan luokitella 0,73 AUC.

Kokeet Tässä artikkelissa esitellään mukana SVM luokittelijoiden. Kuten mainitsimme, valinta luokittelija perustuu empiiriseen näyttöä siitä, että SVMs on ylivoimainen suorituskyky erilaisissa korkea-ulotteinen ”omiikka” aineistoja [19] – [21] sekä SNP data [4] ja he varmasti päihittävät valvomattomia menetelmiä, kuten PCA [27], [28]. Kuitenkin yksi ei voi estää, että ei ole olemassa joitakin luokitusta menetelmiä parempien SVMs SNP array aineistoja. Tuleva tutkimus vastata tähän kysymykseen.

Yhteenvetona havaintomme osoittavat, että useat tietojen analysointi karikot [8] johti tutkijat tunnistaa SNP jotka eivät ole tilastollisesti merkittäviä ja johtamiseksi vakavasti puolueellinen arvion luokittelu suorituskykyä ruokatorven syöpäpotilaiden ja terveiden verrokkien pohjalta näiden SNP. Osoitimme myös, että ympäristötekijät ja erityisesti suvussa syöpä (jälkimmäinen voi toimia proxy sekä geneettiset ja ympäristötekijät) on vaatimaton yhdistys sairauden kanssa. Näin ollen on mahdollista, että muut SNP: iden, jotka eivät sisälly käytetyssä määrityksessä voidaan osallisena taudin. Nämä tulokset ovat yhdenmukaisia ​​edellisen kirjallisuudessa, että korostetaan ympäristötekijöiden syy-yhteyttä koskevasta tämän monimutkaisen taudin [9], [10]. Tulokset myös korostettaisiin äänitiedot analyysi genomin laajuinen yhdistys tutkimukset.

tukeminen Information

Tiedosto S1.

osoittaminen puolueellisuudesta laskeminen P-arvot

doi: 10,1371 /journal.pone.0000958.s001

(0,08 MB DOC) -iin Tiedoston S2.

Integroitu analyysi Multiple Datatyypit

doi: 10,1371 /journal.pone.0000958.s002

(0,09 MB DOC) B

Kiitokset

Tekijät haluavat tunnustaa Dr. Maxwell Lee ja hänen avustajansa tarjoamiseksi aineisto tähän tutkimukseen ja kattavat kommentteja tähän käsikirjoitus.