جستجوی مقالات مرتبط با کلیدواژه « ریزآرایه DNA » در نشریات گروه « پزشکی »

انتخاب همه

به کارگیری خوشه بندی دوبعدی با روش «زیرماتریس های با میانگین- درایه های بزرگ» در داده های بیان ژنی حاصل از ریزآرایه های DNA

حمید علوی مجد، شیما یونس پور، فرید زایری، مصطفی رضایی طاویرانی

نشریه دانشور پزشکی، پیاپی 93 (تیر 1390)، صص 11 -20

مقدمه و هدف
در سال های اخیر، فناوری ریزآرایه ی DNA نقش اساسی در تحقیقات ژنومی داشته است. با استفاده از این فناوری که امکان آنالیز هم زمان سطوح بیان هزاران ژن را در شرایط مختلف فراهم آورده است، به حجم انبوهی از داده ها دست می یابیم. روش های کلاسیک خوشه بندی نظیر روش های سلسله مراتبی و غیرسلسله مراتبی، روش هایی مناسب برای تحلیل این گونه داده ها هستند اما محدودیت هایی نیز دارند. در این روش ها فرض بر آن است که یک ژن یا یک شرایط آزمایشی را تنها می توان به یک خوشه منتسب کرد و یک ژن، متعلق به گروهی از ژن هاست که با هم، تحت همه شرایط آزمایشی تنظیم می شوند. بنابراین به منظور رفع این کاستی ها از روش های خوشه بندی دوبعدی استفاده می شود. هدف از این پژوهش، بررسی کارآیی یک روش خوشه بندی دو بعدی در تحلیل داده های بیان ژنی مخمر است.
مواد و روش ها
در این پژوهش، داده های بیان ژنی مخمر Saccharomyces cerevisiae گسچ و همکاران (2000) با استفاده از روش خوشه بندی دوبعدی (LAS Large Average Submatrices;) تحلیل شده اند. مجموعه داده ها، 173 شرایط آزمایشی مختلف و مجموعه ای از 2993 ژن را در بر گرفته و برای تحلیل داده ها از نرم افزارهای LAS، JMP و GOAL استفاده-شده است.
نتایج
نتایج نشان داد که روش LAS قادر است خوشه های دوبعدی مناسبی از دیدگاه آماری و زیست شناسی تولید کند.
نتیجه گیری
این مطالعه نشان می دهد که می توان با استفاده از روش LAS، زیرمجموعه هایی از ژن ها را با الگوهای بیان مشابه در زیرمجموعه ای از شرایط آزمایشی شناسایی کرد که از نظر زیست شناسی معنی دارند.

کلید واژگان: خوشه بندی دوبعدی (Biclustering), داده های بیان ژنی, ریزآرایه DNA, هستی شناسی ژنی (gene ontology), زیرماتریس های با میانگین, درایه های بزرگ}

چکیده مشاهده متن زبان: فارسی

Biclustering of DNA microarray gene expression data by Large Average Submatrices Method

Hamid Alavi Majd, Shima Younespoor, Farid Zayeri, Mostafa Rezaei Tavirani

Daneshvar Medicine, Volume:18 Issue: 93, 2011, PP 11 -20

Background And Objective
In recent years, DNA microarray technology has become a central tool in genomic research. Using this technology, which made it possible to simultaneously analyze expression levels for thousands of genes under different conditions, massive amounts of information will be obtained. While traditional clustering methods, such as hierarchical and K-means clustering have been shown to be useful in analyzing microarray data, they have some limitations. These methods assume that a gene or an experimental condition can be assigned to only one cluster and a gene belongs to a group of genes that are coexpressed under all conditions. Therefore, to overcome these shortcomings, biclustering methods are used. The purpose of this paper was to evaluate the efficiency of a biclustering method in analyzing yeast gene expression data.
Materials And Methods
In this study, Large Average Submatrices (LAS) method has been used to analyze the yeast Saccharomyces cerevisiae expression dataset, provided by Gasch et al. (2000). The dataset contains 2993 genes and 173 different experimental conditions. In this study, the software packages such as LAS, JMP and GOAL has been used for analyzing data.
Results
Results showed that the LAS method is able to produce biologically and statistically relevant biclusters.
Conclusion
This study showed that LAS can be used to discover biologically significant subsets of genes under subsets of conditions for microarray data analysis.

Abstract View Paper Original: Persian
به کارگیری خوشه بندی فازی در ریزآرایه DNA

محسن واحدی، حمید علوی مجد، یدالله محرابی، بهار نقوی

مجله بولتن پژوهش در علوم پزشکی، سال چهاردهم شماره 6 (پیاپی 72، بهمن و اسفند 1388)، ص 288

سابقه و هدف
فناوری ریزآرایه برای بررسی همزمان بیان هزاران ژن در بازه وسیعی از ژنومیک، نظیر شناسایی ژنها، اکتشاف داروها و تشخیص های کلینیکی مورد استفاده قرار گرفته است. آزمایشهایی که بر اساس فناوری ریزآرایه انجام می شوند حجم بسیار زیادی از داده ها را فراهم می کنند که در مطالعات بیولوژیک بی نظیر بوده است. نرمال سازی، خوشه بندی، طبقه بندی و... از جمله روش های مورد استفاده در تحلیل آماری این نوع داده هاست. هدف این مقاله بررسی نحوه به کارگیری روش خوشه بندی فازی در داده های ریزآرایه DNA است.
مواد و روش ها
تحقیق به روش توصیفی انجام شده و داده های بیان ژنی سرطان خون گلوب و همکاران (1999) که بر اساس روش آرایه الیگونوکلئوتید تولید شده و از طریق اینترنت در اختیار عموم قرار دارد، با استفاده از روش آماری خوشه بندی فازی، مورد تجزیه و تحلیل قرار گرفته است. خوشه بندی داده های ریزآرایه به صورت خیلی محدود و گرایش بیشتر به سمت خوشه بندی کلاسیک در ایران صورت پذیرفته است و این مقاله شروعی در خوشه بندی فازی داده های ریزآرایه به شمار می آید. مجموعه داده ها شامل 20 بیمار مبتلا به سرطان خون لنفوئیدی حاد (ALL) و 14 بیمار مبتلا به سرطان خون میلوئیدی حاد(AML) است. کارایی روش خوشه بندی فازی با توجه به گروه بندی واقعی نمونه ها (ALL و AML) مورد ارزیابی قرار گرفت. نرم افزار R برای تحلیل داده ها استفاده شد.

یافته ها
ویژگی روش خوشه بندی فازی در تشخیص افراد AML، 90% و حساسیت آن 93% و صحت آن 91% به دست آمد که نشان دهنده عملکرد خوب این روش است. نمونه سی و یکم که بر اساس یافته های بالینی در گروه AML قرار دارد در گروه ALL قرار گرفت، همچنین نمونه های دوم و هفدهم که بر اساس یافته های بالینی در گروه ALL قرار دارد طبق نتایج در گروه AML قرار گرفتند که از نظر بالینی می توانند قابل توجه باشند.

نتیجه گیری
خوشه بندی فازی اطلاعات نسبتا قابل قبولی درباره ساختار داده ها فراهم می کند که با توجه به انطباق نتایج این روش با گروه بندی واقعی داده ها، از این روش آماری می توان در مواردی که اطلاع دقیقی درباره گروه بندی واقعی داده ها در دست نیست، استفاده کرد. به علاوه با بررسی نتایج خوشه بندی ممکن است زیرگروه هایی از نمونه ها را به نحوی متمایز کرد که برای انطباق آن با یافته های بالینی، پژوهشهای آزمایشگاهی یا بالینی جدیدی لازم باشد.

کلید واژگان: ریزآرایه DNA, بیان ژن, خوشه بندی کلاسیک, خوشه بندی فازی, سرطان خون}

چکیده مشاهده متن زبان: فارسی

Fuzzy Clustering Approach in DNA-Microarray

Vahedi M., Alavi Majd H., Mehrabi Y., Naghavi B

Researcher Bulletin of Medical Sciences, Volume:14 Issue: 6, 2010, P 288

Background and Aim
Microarray techniques are successfully used to investigate thousands of gene expression profiling in a variety of genomic analyses such as gene identification, drug discovery and clinical diagnosis, providing a large amount of genomic data for the overall research community. Statistical analysis of such databases included normalization, clustering, classification, etc. The present study surveyed the application of fuzzy clustering technique in DNA microarray analysis.
Materials and Methods
Golub, et al collected data bases of leukemia based on the method of oligonucleotide in 1999. The data are on the internet for free. In this paper we did analysis on this data set and gene expression data were clustered by fuzzy clustering. Data set included 20 Acute Lymphoblastic Leukemia (ALL) patients and 14 Acute Myeloid Leukemia (AML) patients. Efficiency of clustering was compared with regard to real grouping (ALL & AML). We used R software for data analysis
Results
Specificity and sensitivity of fuzzy clustering in diagnosing of ALL patients are 90% and 93%, respectively. These results show a good accomplishment of both clustering methods. It is considerable that, due to clustering methods results, one of the samples was placed in ALL group, which had been in AML group in clinical test.
Conclusion
With regard to concordance of the results with real grouping of data, it could be said that we can use these methods in cases where we dont have accurate information of real data grouping. Moreover, results of clustering might distinguish subgroups of data in such a way

Abstract View Paper Original: Persian
به کارگیری روش های خوشه بندی در ریزآرایه DNA

حمید علوی مجد، محسن واحدی، یدالله محرابی، بهار نقوی

نشریه پژوهش در پزشکی، سال سی و یکم شماره 1 (پیاپی 121، بهار 1386)، ص 19

سابقه و هدف

به کارگیری فناوری ریزآرایه DNA که امکان بررسی بیان هزاران ژن را به طور هم زمان در حداقل زمان ممکن می سازد، در سال های اخیر موجب تولید حجم انبوهی از داده های بیان ژنی شده است. تحلیل آماری این داده ها شامل مواردی چون نرمال سازی، خوشه بندی، طبقه بندی است. هدف این مقاله بررسی نحوه به کارگیری روش های آماری خوشه بندی در داده های ریز آرایه DNA است.

روش بررسی

در این تحقیق داده های سرطان پستان وانت ور و همکاران (2002) مربوط به جهش های ژنتیکی BRCA1 و BRCA2، تحلیل شده است. مجموعه داده ها شامل 18بیمار با جهش BRCA1 و 2 بیمار با جهش BRCA2 است. داده های بیان ژنی سرطان پستان با استفاده از روش های آماری سلسله مراتبی و غیر سلسله مراتبی خوشه بندی گردید. در هر دو روش خوشه بندی، داده ها به دو خوشه تقسیم شدند. روش های مختلف خوشه بندی با توجه به گروه بندی واقعی (BRCA1، BRCA2) مقایسه شدند. نرم افزار R برای تحلیل داده ها استفاده شد.

یافته ها

ویژگی روش خوشه بندی سلسله مراتبی در تشخیص ژن BRCA1، 94 درصد و حساسیت آن 100 درصد بدست آمد. ویژگی روش خوشه بندی غیر سلسله مراتبی در تشخیص ژن BRCA1، 89 درصد و حساسیت آن 100 درصد بدست آمد که نشان دهنده عملکرد مناسب دو روش خوشه بندی است. روش خوشه بندی سلسله مراتبی بر اساس ادغام بر حسب میانگین مناسب ترین روش در بین همه روش های بررسی شده است. نمونه شماره 95 طبق نتایج همگی روش های خوشه بندی در گروه BRCA2 قرار گرفت در صورتی که بر اساس یافته های بالینی در گروهBRCA1 قرار دارد.

نتیجه گیری

با توجه به انطباق قابل توجه نتایج خوشه بندی با گروه بندی واقعی داده ها، می توان از این روش های آماری در مواردی که اطلاع دقیقی از گروه بندی واقعی داده ها در دست نیست، استفاده کرد. به علاوه نتایج خوشه بندی ممکن است زیر گروه هایی از نمونه ها را به نحوی متمایز کند که برای انطباق آن با یافته های بالینی، پژوهش های آزمایشگاهی یا بالینی جدیدی لازم باشد.

کلید واژگان: ریزآرایه DNA, خوشه بندی, بیان ژن, سرطان پستان}

چکیده مشاهده متن مقاله پژوهشی/اصیل زبان: فارسی

Clustering approach in DNA microarray analysis

H .Alavimajd, M .Vahedi, Y. Mehrabi, B. Naghavi

Journal of Research In Medical Sciences, Volume:31 Issue: 1, 2007, P 19

Background

Microarray DNA technology has paved the way for investigators to expressed thousands of genes in a short time. Analysis of this big amount of raw data includes normalization, clustering and classification. The present study surveys the application of clustering technique in microarray DNA analysis.

Materials and methods

We analyzed data of Van’t Veer et al study dealing with BRCA1 and BRCA2 mutations in breast cancer. It was consisted of 18 patients with BRCA1 and 2 patients with BRCA2 mutation. Gene expression data were clustered using hierarchical and non-hierarchical approach. Then different clustering approaches were compared according to the actual classification with R software.

Results

Hierarchical clustering showed a sensitivity of 94% and specificity of 100% in detecting BRCA1 gene. These figures were 89% and 100% for non-hierarchical clustering, respectively, indicating a satisfactory performance for both approaches. All clustering approaches classified sample No. 95 in BRCA2 group, however, clinical manifestations put her in BRCA1 group.

Conclusion

With respect to satisfactory coincidence between clustering and actual classification results, clustering approach could be applied for cases when actual classification is missing.

Keywords: DNA microarray, Clustering, Gene expression, Breast cancer}

Abstract View Paper Research/Original Article Original: Persian

نکته

نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.

به جمع مشترکان مگیران بپیوندید!

جستجوی مقالات مرتبط با کلیدواژه « ریزآرایه DNA » در نشریات گروه « پزشکی »