De Huidige microarray experimenten laten de niveaus van activiteit van duizenden genen toe om meteen worden gemeten, verstrekkend een venster in moleculaire gebeurtenissen die aan gezondheid en ziekte ten grondslag liggen.
De selectie van genen die verschillende niveaus van activiteit tussen voorwaarden van belang (zoals kanker en niet-kanker) hebben is daarom als zeer belangrijk doel van gegevensanalyse te voorschijn gekomen. Nochtans, met typisch vele duizenden genen om te kiezen van en hoogstens een paar dozijn reeksen metingen zijn de beschikbare, differentiële analyses van deze soort uiterst uitdagend. De Verschillende statistische tests leveren verschillende resultaten toe te schrijven aan hun onderliggende veronderstellingen op, maar op echte gegevens is het gewoonlijk onmogelijk om te vertellen welke methode waarschijnlijk zal juist zijn.
De Onderzoekers bij de Universiteit van Oxford hebben een nieuwe methode ontwikkeld die van verstrekt een consistentiemaatregel voor dergelijke tests kan. Het kan de doeltreffendheid van elk algoritme voor bijzondere gegevens beoordelen en het kan verder worden gebruikt leren hoe te om een efficiënte statistische methode te veroorzaken om de bepaalde gegevens te testen.
De nieuwe methode heeft vele verschillende voordelen en voordelen in vergelijking met bestaande methodes voor onderzoek. Één van de belangrijkste voordelen is dat het statistische algoritmen kan beoordelen door douanealgoritmen van gegevens te selecteren gebruikend een begrip van consistentie. De techniek, die uiterst robuust is, helpt om het risico te verminderen om een ongepast algoritme te kiezen. Dit helpt om fouten te minimaliseren en daarom tot significante potentiële vermindering van de kosten te leiden om gegevens te produceren.