Identifying gene regulatory communities from microarray time-series expression profiles using hidden Markov models
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Zaman serisi mikrodizi verileri devam eden hücresel aktivitelerdeki birçok gen ifadesi seviyesinin dakikalardan günlere uzanan farklı zaman noktalarında ölçülmesini sağlar. Yüksek miktarda sonuç üreten deneylerin analizi otomatik ve bilgisayar destekli çözümler gerektirir. Bu çalışmada saklı Markov modelleri kullanılarak, periyodik gen ifadesi düzenlenmelerini tahmin edebilecek bir model önerdik. Modellimizin testleri ve öğrenme prosedürü için literatürde bulunan transkripsiyon ve protein seviyesindeki düzenlemeleri bilgilerinden faydalandık. Çalışmamızda Pramilla zaman serisi mikrodizi verilerini kullandık. Gen düzenlemelerinin tahminleri yapıldıktan sonra ?Gen Düzenlemeleri Komşuluk Ağlarını oluşturduk (GDKA). Oluşturduğumuz ağın altında topluluk yapısı gösteren alt ağların, biyolojik veri gruplarındaki potansiyelini popüler K-ortalama gruplama sonucu oluşan gruplarla karşılaştırarak değerlendirdik. Sonuçlar K-ortama gruplandırmasına göre topluluk yapısına göre oluşturulmuş alt ağların biyolojik terimler etrafından daha yoğun ve özgün bir gruplar oluşturduğunu gösterdi. Time series microarrays capture multiple gene expression levels at discrete time points varying from minutes to days of a continuous cellular process. Analysis of high through put data requires automated and computer aided solutions. We propose a hidden Markov model (HMM) based approach to identify regulatory relations between the periodic genes from the cell cycle time-series microarrays. We train and test our models by using distinct types of biological data present literature. In our study we use Pramila time series dataset. Training gene pairs include transcriptional regulation and protein level regulation. After identification of gene to gene regulatory relationships, we form a network of gene regulation relationships: Gene Regulatory Neighborhood Networks (GRNN). We explore potential use of sub networks (communities) in GRNN by comparing gene clusters found by popular clustering algorithms such as K-means clustering. Our results indicate we manage to identify denser and more specific enrichment in community structure based clusters than the clusters acquired with K-means.
Collections