به کارگیری خوشه‌بندی دوبعدی با روش «زیرماتریس‌های با میانگین- درایه‌های بزرگ» در داده‌های بیان ژنی حاصل از ریزآرایه‌های DNA | ||
| دانشور پزشکی | ||
| دوره 19، شماره 2 - شماره پیاپی 93، خرداد و تیر 1390، صفحه 11-20 اصل مقاله (241.06 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| حمید علوی مجد* 1؛ شیما یونس پور2؛ فرید زایری1؛ مصطفی رضایی طاویرانی3 | ||
| 1گروه آمار زیستی دانشکده پیراپزشکی دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران | ||
| 2دانشکده پیراپزشکی دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران | ||
| 3گروه علوم پایه دانشکده پیراپزشکی دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران | ||
| چکیده | ||
| مقدمه و هدف: در سال‌های اخیر، فناوری ریزآرایه‌ی DNA نقش اساسی در تحقیقات ژنومی داشته‌است. با استفاده از این فناوری که امکان آنالیز همزمان سطوح بیان هزاران ژن را در شرایط مختلف فراهمآوردهاست، به حجم انبوهی از داده‌ها دستمی‌یابیم. روش‌های کلاسیک خوشه‌بندی نظیر روش‌های سلسله‌مراتبی و غیرسلسله‌مراتبی، روش‌هایی مناسب برای تحلیل اینگونه داده‌ها هستند اما محدودیت‌هایی نیز دارند. در این روش‌ها فرض بر آن است که یک ژن یا یک شرایط آزمایشی را تنها می‌توان به یک خوشه منتسبکرد و یک ژن، متعلق به گروهی از ژن‌هاست که با هم، تحت همه شرایط آزمایشی تنظیم می‌شوند. بنابراین بهمنظور رفع این کاستی‌ها از روش‌های خوشه‌بندی دوبعدی استفادهمی‌شود. هدف از این پژوهش، بررسی کارآیی یک روش خوشه‌بندی دوبعدی در تحلیل داده‌های بیان ژنی مخمر است. مواد و روش‌ها: در این پژوهش، داده‌های بیان ژنی مخمرِ Saccharomyces cerevisiae گسچ و همکاران (2000) با استفاده از روش خوشه‌بندی دوبعدی (LAS Large Average Submatrices;) تحلیلشدهاند. مجموعه داده‌ها، 173 شرایط آزمایشی مختلف و مجموعه‌ای از 2993 ژن را دربرگرفته و برای تحلیل داده‌ها از نرم‌افزارهای LAS، JMP و GOAL استفادهشدهاست. نتایج: نتایج نشانداد که روش LAS قادر است خوشه‌های دوبعدی مناسبی از دیدگاه آماری و زیست‌شناسی تولیدکند. نتیجه‌گیری: این مطالعه نشان‌می‌دهد که می‌توان با استفاده از روش LAS، زیرمجموعه‌هایی از ژن‌ها را با الگوهای بیان مشابه در زیرمجموعه‌ای از شرایط آزمایشی شناساییکرد که از نظر زیست‌شناسی معنی‌دارند. | ||
| کلیدواژه‌ها | ||
| خوشه‌بندی دوبعدی (Biclustering)؛ داده‌های بیان ژنی؛ ریزآرایه DNA؛ هستی‌شناسی ژنی (gene ontology)؛ زیرماتریس‌های با میانگین-درایه‌های بزرگ (Large Average Submatrices) | ||
| مراجع | ||
|
1- Knudsen S. Guide to analysis of DNA microarray data. 2 ed: John Wiley and Sons 2004. 2- Francesco B, Adam P, Ivan P, Silvia S, Andrea S, Livia T, et al. GEMMA - A Grid environment for microarray management and analysis in bone marrow stem cells experiments. Elsevier Science Publishers B. V. 2007:382-90. 3- Tanay A, Sharan R, Shamir R. Discovering statistically significant biclusters in gene expression data. Bioinformatics. 2002;18 Suppl 1:S136-44. 4- Johnson RA, Wichern DW. Applied multivariate statistical data analysis: Prentice Hall: Upper Saddle River, NJ 2002. 5- Gu J, Liu JS. Bayesian biclustering of gene expression data. BMC Genomics. 2008;9 Suppl 1:S4. 6- Hartigan JA. Direct clustering of a data matrix. Journal of the american statistical association (JASA). 1972;67(337):123-9. 7- Cheng Y, Church GM. Biclustering of expression data. Proc Int Conf Intell Syst Mol Biol 2000:93-103. 8- Lazzeroni L, Owen A. Plaid models for gene expression data. Citeseer 2002:61-86. 9- Ben-Dor A, Chor B, Karp R, Yakhini Z. Discovering local structure in gene expression data: the order-preserving submatrix problem. J Comput Biol. 2003;10(3-4):373-84. 10- Madeira SC, Oliveira AL. Biclustering algorithms for biological data analysis: a survey. Published by the IEEE CS, NN, and EMB Societies & the ACM 2004:24-45. 11- Prelic A, Bleuler S, Zimmermann P, Wille A, Buhlmann P, Gruissem W, et al. A systematic comparison and evaluation of biclustering methods for gene expression data. Bioinformatics. 2006 May 1;22(9):1122-9. 12- Shabalin AA, Weigman VJ, Perou CM, Nobel AB. Finding large average submatrices in high dimensional data. 2009:985-1012. 13- Al-Akwaa FM, Kadah YM. An automatic gene ontology software tool for bicluster and cluster comparisons. IEEE 2009:1.7-63. 14- Gasch AP, Spellman PT, Kao CM, Carmel-Harel O, EisenMB, Storz G, et al. Genomic expression programs in the response of yeast cells to environmental changes. Mol Biol Cell. 2000;11(12):4241-57. 15- Shenga Q, Lemmensa K, Marchalab K, De Moora B, Moreaua Y. Query-driven biclustering of microarray data by Gibbs sampling: Internal report 05-33, Department of Electrical Engineering (ESAT-SCD-SISTA), Katholieke Universiteit Leuven, Belgium; 2005. 16- Gasch AP, Spellman PT, Kao CM, Carmel-Harel O, EisenMB, Storz G, et al. Genomic expression programs in the response of yeast cells to environmental changes. Mol Biol Cell 2000 [cited; Available from: http://genome-www.stanford.edu/yeast_stress/ 17- Ashburner M, BallCA, Blake JA, Botstein D, Butler H, Cherry JM, et al. Gene ontology: tool for the unification of biology. Nature Publishing Group 2000:25-9. 18- Day-Richter J, Harris MA, Haendel M. OBO-Edit an ontology editor for biologists. Oxford Univ Press 2007:2198. 19- Carbon S, Ireland A, Mungall CJ, Shu SQ, Marshall B, Lewis S. AmiGO: online access to ontology and annotation data. Oxford Univ Press 2009:288. 20- Cheng KO, Law NF, Siu WC, Liew AWC. Biclusters Visualization and Detection Using Parallel Coordinate Plots. AIP Conference Proceedings. 2007;952(1):114-23. 21- Okada Y, Fujibuchi W, Horton P. A Biclustering Method for Gene Expression Module Discovery Using a Closed Itemset Enumeration Algorithm. IPSJ Digital Courier. 2007;3:183-92. 22- Tchagang AB, Gawronski A, Berube H, Phan S, Famili F, Pan Y. GOAL: a software tool for assessing biological significance of genes groups. BMC Bioinformatics.11:229. | ||
|
آمار تعداد مشاهده مقاله: 423 تعداد دریافت فایل اصل مقاله: 309 |
||