Ocena skokowych zmian procesu losowego z wykorzystaniem algorytmu Expectation-Maximization (EM) na przykładzie zmiennych w czasie profili ekspresji genów bakterii deinococcus radiodurans

• Autorzy: Łuszczkiewicz M. , Polański A.

Warianty tytułu

EN

Parameter estimation of random process changes using expectation-maximization algorithm for identifying groups of genes of deinococcus radiodurans in time-course micro array experiments

• Konferencja: XV Krajowa Konferencja Automatyzacji Procesów Dyskretnych, Zakopane, 20-23 września 2006r.
• Języki publikacji: PL

Abstrakty

PL

Bardzo często w naukach biomedycznych przeprowadzane eksperymenty polegają na obserwacji zjawisk przy jednoczesnym mierzeniu odpowiedzi systemu w pewnym horyzoncie czasowym. Istnieje tylko kilka metod analizy zmiennych w czasie profili genów. W artykule zaproponowano metodę grupowania genów w poszczególnych chwilach czasu, których poziom ekspresji może być indukowany tym samym/tymi samymi sygnałami, co w efekcie powoduje, iż geny te wykazują podobny poziom ekspresji. W celu budowy modelu wykorzystano złożenia rozkładów normalnych Gaussa (Gaussian Mixture Models) wraz z algorytmem Expectation-Maximization (Dempster, Liard, Rubin 1977, Bilmes 1998). W przeciwieństwie do wielu innych metod, których wyniki silnie zależą od zastosowanych miar i parametrów, zaproponowany model nie posiada żadnych predefiniowalnych parametrów, tak wiec wyniki można uznać za wiarygodniejsze. Z uwagi na swoją konstrukcję może on zostać łatwo zaadaptowany do badania danych o innej strukturze.

EN

Observation of a biological phenomenon over a certain period of time simultaneously measuring object responses is a common practice in biomedical research. On the other hand there are only several methods of time-course data analysis. We propose method of grouping genes which expression's levels were measured in several time points, assuming that grouped gene's expression levels are induced by the same factor/factors. Due to built a model, we used Gaussian Mixture Model combined with Expectation-Maximization algorithm. In opposition to many other methods which results are strongly correlated to choice of parameters and methods, proposed approach's results are more stable due to lack of predefined parameters. Moreover, our model can be easily adapted to different experiment structure (several patients with same disease but treated with different drugs).

Słowa kluczowe

EN

expectation-maximization algorithm; EM algorithm; deinococcus radiodurans; clustering technique; normal Gaussian distributions

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Zeszyty Naukowe. Automatyka / Politechnika Śląska
• Rocznik: 2006
• Tom: z. 145
• Strony: 125--137
• Opis fizyczny: Bibliogr. 10 poz.

Twórcy

autor

Łuszczkiewicz M.

autor

Polański A.

• Instytut Automatyki Politechniki Śląskiej, 44-100 Gliwice, ul.Akademicka 16, tel. [phone],

Bibliografia

• 1. Bilmes J.: A Gentle Tutorial on the EM Algorithm and its Application to Parameter Estimation for Gaussian Mixture and Hidden Markov Models. Technical report. 1998.
• 2. Dempster A., Laird N., Rubin D.: Maximum likelihood from incomplete data via the em algorithm. Journal of the Royal Statistical Society, Series B,vol.39, no.1, 1977, p. 1-38.
• 3. Hong F., Li H.: Clustering of time-course gene expression data using a mixed-effects model with B-splines. Bioinformatics, vol 19 no. 4, 2003, p. 474-482.
• 4. Guo W., Dai M., Ombao H.C., von Sachs R.: Smoothing Spline ANOVA for Time-Dependent Spectral Analysis. Journal of the American Statistical Association, 98, 2003, p. 643-652.
• 5. Liu Y. et al.: Transcriptome dynamics of Deinococcus radiodurans recovering from ionizing radiation. Proc.Natl. Acad Sci. Apr. 1; 100(7), 2003, p. 4191-6.
• 6. Ouyang M., Welsh W., Georgopoulos P.: Gaussian mixture clustering and imputation of microarray data. Bioinformatics, 20, 2004, p. 917-923.
• 7. Schwarz, G.: Estimating the dimension of a model. Ann. Stat.6, 1978, p. 461-464.
• 8. Xu X.L., Olson J.M., Zhao L.P.: A regression-based method to identify differentially expressed genes in microarray time course studies and its application in an inducible Huntington's disease transgenic model Hum. Mol. Genet., August 15, 11(17), 2002, p. 1977-1985.
• 9. Yuan M., Kendziorski C: Hidden Markov Models for Microarray Time Course Data in Multiple Biological Conditions. Journal of the American Statistical Association, to appear, 2006.
• 10. Ouyang M., Welsh W.J., Georgopoulos P.: Gaussian mixture clustering and imputation of microarray data. Bioinformatics, 20, 2004, p. 917-923.