به كارگيري خوشه‌بندي دوبعدي با روش «زيرماتريس‌هاي با ميانگين- درايه‌هاي بزرگ» در داده‌هاي بيان ژني حاصل از ريزآرايه‌هاي DNA

به كارگيري خوشه‌بندي دوبعدي با روش «زيرماتريس‌هاي با ميانگين- درايه‌هاي بزرگ» در داده‌هاي بيان ژني حاصل از ريزآرايه‌هاي DNA

مقدمه و هدف: در سال‌هاي اخير، فناوري ريزآرايه‌ي DNA نقش اساسي در تحقيقات ژنومي داشته‌ است. با استفاده از اين فناوري كه امكان آناليز هم زمان سطوح بيان هزاران ژن را در شرايط مختلف فراهم آورده است، به حجم انبوهي از داده‌ها دست مي‌يابيم. روش‌هاي كلاسيك خوشه‌بندي نظير روش‌هاي سلسله‌مراتبي و غيرسلسله‌مراتبي، روش‌هايي مناسب براي تحليل اين گونه داده‌ها هستند اما محدوديت‌هايي نيز دارند. در اين روش‌ها فرض بر آن است كه يك ژن يا يك شرايط آزمايشي را تنها مي‌توان به يك خوشه منتسب كرد و يك ژن، متعلق به گروهي از ژن‌هاست كه با هم، تحت همه‌ شرايط آزمايشي تنظيم مي‌شوند. بنابراين به منظور رفع اين كاستي‌ها از روش‌هاي خوشه‌بندي دوبعدي استفاده مي‌شود. هدف از اين پژوهش، بررسي كارآيي يك روش خوشه‌بندي دو بعدي در تحليل داده‌هاي بيان ژني مخمر است. مواد و روش‌ها: در اين پژوهش، داده‌هاي بيان ژني مخمرِ Saccharomyces cerevisiae گسچ و همكاران (2000) با استفاده از روش خوشه‌بندي دوبعدي (LAS Large Average Submatrices;) تحليل شده اند. مجموعه‌ داده‌ها، 173 شرايط آزمايشي مختلف و مجموعه‌اي از 2993 ژن را در بر گرفته و براي تحليل داده‌ها از نرم‌افزارهاي LAS، JMP و GOAL استفاده-شده است. نتايج: نتايج نشان داد كه روش LAS قادر است خوشه‌هاي دوبعدي مناسبي از ديدگاه آماري و زيست‌شناسي توليد كند. نتيجه‌گيري: اين مطالعه نشان‌ مي‌دهد كه مي‌توان با استفاده از روش LAS، زيرمجموعه‌هايي از ژن‌ها را با الگوهاي بيان مشابه در زيرمجموعه‌اي از شرايط آزمايشي شناسايي كرد كه از نظر زيست‌شناسي معني‌دارند.

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.