خوشه‌بندي پروفايل‌هاي طولي با مدل‌هاي اثرات آميخته ناپارامتري و نيمه‌پارامتري

Clustering Longitudinal Profiles Using Non-parametric and Semi-parametric Mixed Effects Models

روش‌هاي متعددي براي خوشه‌بندي داده‌هاي بيان ژن دوره‌اي زماني وجود دارد ولي محدوديت‌هايي براي اين روش‌ها وجود دارد كه از جمله‌ آن‌ها مي‌توان به عدم در نظر گرفتن همبستگي در طول زمان و زمان‌بر بودن محاسبات اشاره داشت. در اين مقاله با معرفي مدل‌هاي اثرات آميخته‌ي ناپارامتري و نيمه‌پارامتري، اين همبستگي در طول زمان در نظر گرفته شده و با استفاده از اسپلاين تاوانيده، حجم محاسبات به طور چشم‌گيري كاهش يافته است. در پايان با استفاده از مطالعه‌ شبيه‌سازي عملكرد روش پيشنهادي با روش‌هاي قبلي مقايسه و با استفاده از ملاك BIC، مدل مناسب‌تر انتخاب و تحليل مي‌شود. همچنين روش پيشنهادي در يك مثال كاربردي داده‌هاي بيان ژن دوره‌اي زماني ارائه شده است.

There are several methods for clustering time course gene expression data. But, these methods have limitations such as the lack of consideration of correlation over time and suffering of high computational. In this paper, by introducing the non-parametric and semi parametric mixed effects model, this correlation over time is considered and by using penalized splines, computation burden dramatically reduced. At the end, using a simulation study the performance of the presented method is compared with previous methods and by using BIC criteria, the most appropriate model is selected. Also the proposed approach is illustrated in a real time course gene expression data set.