Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Zeszyty Naukowe. Automatyka / Politechnika Śląska

1 2006

Powiadomienia systemowe

Sesja wygasła!
Sesja wygasła!

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: deinococcus radiodurans

Sortuj według:

Ogranicz wyniki do:

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

Łuszczkiewicz M., Polański A.

Zeszyty Naukowe. Automatyka / Politechnika Śląska

2006

z. 145

125-137

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.

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).