杨书新， 陈良泊

（江西理工大学信息工程学院，江西 赣州341000）

0 引 言

基因的选择性表达与生物的生命调控息息相关，研究疾病样本中基因的差异表达有助于揭示疾病相关的生物学机制[1]。现有的许多算法如：T-test[2]、SAM[3]、edgeR[4]和DEseq[5]被提 出 用 于 在 群 体 层 面 上鉴别不同病理生理条件或不同实验条件下的差异表达基因（Differential Expression Gene，DEG）。由于群体水平的差异表达基因忽略了疾病的异质性，不能提供患者特异性的差异表达信息，故而无法回答许多具有生物学意义的问题[6]。例如，Tomlins等发现一些基因只在特定一些疾病样本而不是在所有的疾病样本中出现失调[7]。无独有偶，Zhou等在乳腺癌差异表达研究中发现，在雌激素受体阳性的乳腺癌样本中，一部分差异表达基因的失调方向与其在雌激素受体阴性的乳腺癌样本中的失调方向相反[8]。在个体层面识别差异表达基因是实现精准医疗的基本步骤，有助于更好地理解疾病特异性的生物学机制并促进个性化治疗策略的发展[9]。随着精准医疗概念的普及，研究热点逐渐转向个体化基因差异表达分析。离群度（Outlying Degree，OD）[10－11]、Zscore和其改进Rscore[12]等算法被提出用于识别个体化差异表达基因。不过这些算法对批次效应很敏感，也缺乏统计学控制。为解决该问题，Wang等提出基于相对表达丰度排秩（Relative Expression Orderings,REO）的RankComp算法[13]。RankComp通过比较每个疾病样本中基因对的REO和正常样本中REO高度稳定的基因对来识别个体水平的差异表达基因。由于没有直接使用基因表达值，RankComp独立于批次效应。……