Wykorzystanie metod optymalizacyjnych do budowania ukrytych modeli Markowa w analizie danych z mikromacierzy DNA

• Autorzy: Walawender P. , Ćmielowski Ł.

Warianty tytułu

EN

Application of optimization methods for hidden Markov models in analysis of DNA microarrays data

• Języki publikacji: PL

Abstrakty

PL

Techniki mikromacierzy DNA umożliwiły pomiar ekspresji genów i obserwowanie zależności między tkankami z różnych próbek. W artykule omówiono zastosowanie algorytmów opartych na ukrytych modelach Markowa (ang. Hidden Markov Models) do analizy danych z mikromacierzy DNA. Zaprezentowane podejście porównano z innymi, opisanymi w podobnych opracowaniach. Zaproponowane algorytmy składają się z dwóch części: odkrywczej i klasyfikacyjnej. Za pomocą zbioru danych treningowych stworzono uniwersalny klasyfikator, którego efektywność i inne parametry będą mierzone za pomocą danych testowych.

EN

DNA microarray technologies make possible measurement of genes expression and observation the differences between various tissue samples. The application of hidden Markov models for analyzing DNA microarrays gene expression data, will be reported. A new approach will be compared with similar approaches used in other publications. The proposed algorithms will be composed of two parts: discovery and classification. By means of training data an universal classifier will be created, which efficiency as well as other parameters will be measured by testing data.

Słowa kluczowe

PL

mikromacierze DNA; ukryte modele Markova; optymalizacja

EN

DNA microarrays; hidden Markov models; optimization

• Wydawca: Jacek Doskocz
• Czasopismo: Acta Bio-Optica et Informatica Medica. Inżynieria Biomedyczna
• Rocznik: 2009
• Tom: Vol. 15, nr 1
• Strony: 11--13
• Opis fizyczny: Bibliogr. 6 poz.

Twórcy

autor

Walawender P.

autor

Ćmielowski Ł.

• Instytut Informatyki, Wydział Automatyki, Elektroniki i Informatyki, Politechnika Śląska, ul. Akademicka 16, 44-100 Gliwice, tel. [phone],

Bibliografia

• 1. Kent Ridge Bio-medical Data Set Repository, http://sdmc.lit.org.sg/GEDatasets/Datasets.html
• 2. P. Smyth: Clustering Sequences with Hidden Markov Models, Advances in Neural Information Processing Svstems 9, The MIT Press, 1997, s. 648.
• 3. B. Resch: Hidden Markov Models. A Tutorial for the Course Computational Laboratory, Signal Processing and Speech Communication Laboratory, Technische Universitat Graz, November 15, 2001.
• 4. S. Mukherjee, S. Mitra: Hidden Markov Models, Grammars and Biology: A Tutorial, Journal of Bioinformatics and Computational Biology, vol. 3, 2005, s. 491-526.
• 5. M. Pawlak: Algorytmy ewolucyjne jako narzędzie harmonogra-mowania produkcji, PWN, Warszawa 1999.
• 6. T.R. Golub, D.K. Slonim, P. Tamayo, C. Huard, M. Ga-asenbeek, J.P. Mesirov, H. Coller, M.L. Loh, J.R. Downing, M.A. Caligiuri, CD. Bloomeld, E.S. Lander: Molecular Classification of Cancer: Class Discovery and Class Prediction by Gene Expression Monitoring, Science 286, 1999, s. 531-537.