최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기응용통계연구 = The Korean journal of applied statistics, v.24 no.4, 2011년, pp.623 - 631
이효정 (고려대학교 통계학과) , 김별아 (식품의약품안전청 신약연구팀) , 박미라 (을지대학교 의과대학 예방의학교실)
A major goal of time-course microarray data analysis is the detection of groups of genes that manifest similar expression patterns over time. The corresponding numerous cluster algorithms for clustering time-course microarray data have been developed. In this study, we proposed a clustering method b...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
DNA 마이크로어레이 분석의 주요 목적은? | DNA 마이크로어레이 분석의 주요 목적 중 하나는 대량의 유전자 발현상황을 총체적으로 탐색하여 서로 다른 조직이나 조건의 차이에서 다르게 발현되는 유전자들의 발현패턴을 확인하고 유전자들 사이의 상호작용과 기능의 연계성을 파악하는데 있다 (Chu 등, 1998; Spellman 등, 1998). 시간경로 마이크로어레이 자료(time-course microarray data)의 경우에는 유전자들의 시간에 따른 발현수준의 변화를 고려함으로써 발현패턴에 기초한 유전자들의 그룹을 찾기 위한 것이다. | |
통계적 군집분석 방법의 문제점은? | 유사한 유전자 그룹을 찾기 위한 방법으로 계층적 군집분석(hierarchical clustering), k-평균 군집분석(k-means clustering), 자기조직도(self-organizing map; SOM) 등의 통계적 군집분석 방법이 널리 사용되었다. 그러나 이러한 군집 분석 방법들은 각 시점에서 얻어진 자료들이 동일한 개체로부터 발생된 것임을 무시하고 각 시점을 독립적인 변수로 간주한다는 문제점이 있다. 또한 자료가 얻어지는 시점의 순서나 시점 간 간격이 무시되는 결과를 나타낼 수 있다. 이를 보완하기 위해 시점의 특성을 고려하여 기존의 군집분석 방법보다 더 적절한 유전자 그룹을 찾기 위한 방법들이 연구되었다. | |
유사한 유전자 그룹을 찾기 위한 방법에는 어떤 것이 사용되고 있나? | 시간경로 마이크로어레이 자료(time-course microarray data)의 경우에는 유전자들의 시간에 따른 발현수준의 변화를 고려함으로써 발현패턴에 기초한 유전자들의 그룹을 찾기 위한 것이다. 유사한 유전자 그룹을 찾기 위한 방법으로 계층적 군집분석(hierarchical clustering), k-평균 군집분석(k-means clustering), 자기조직도(self-organizing map; SOM) 등의 통계적 군집분석 방법이 널리 사용되었다. 그러나 이러한 군집 분석 방법들은 각 시점에서 얻어진 자료들이 동일한 개체로부터 발생된 것임을 무시하고 각 시점을 독립적인 변수로 간주한다는 문제점이 있다. |
Chu, S., DeRisi, J., Eisen, M., Mulholland, J., Botstein, D., Brown, P. O. and Herskowitz, I. (1998). The transcriptional program of sporulation in budding yeast, Science, 282, 699-705.
Hoon, D., Imoto, S. and Miyano, S. (2002). Statistical analysis of a small set of time-ordered gene expression data using linear splines, Bioinformatics, 18, 1477-1485.
Hubert, L. and Arabie, P. (1985). Comparing partitions, Journal of the Classification, 2, 193-218.
Luan, Y. and Li, H. (2003). Clustering of time-course gene expression data using a mixed-effects model with B-splines, Bioinformatics, 19, 474-482.
Peddada, S. D., Lobenhofer, E. K., Li, L., Afshari, C. A., Weinberg, C. R. and Umbach, D. M. (2003). Gene selection and clustering for time-course and dose-response microarray experiments using order-restricted inference, Bioinformatics, 19, 834-841.
Schliep, A., Schonhuth, A. and Steinhoff, C. (2003). Using hidden Markov models to analyze gene expression time course data, Bioinformatics Supplement, 19, i255-263.
Song, J. J., Lee, H. J., Morris, J. S. and Kang, S. (2007). Clustering of time-course gene expression data using functional data analysis, Computational Biology and Chemistry, 31, 265-274.
Spellman, P. T., Sherlock, G., Zhang, M. Q., Iyer, V. R., Anders, K., Eisen, M. B., Brown, P. O., Botstein, D. and Futcher, B. (1998). Comprehensive identification of cell cycle-regulated genes of the yeast Saccharomyces cerevisiae by microarray hybridization, Molecular Biology of the Cell, 12, 3273-3297.
Tibshirani, R. J., Hastie, T. J., Narasimhan, B. and Chu, G. (2002). Diagnosis of multiple cancer types by shrunken centroids of gene expression, Proceedings of the National Academy of Sciences, 99, 6567-6572.
Yeung, K. Y., Fraley, C., Murua, A., Raftery, A. E. and Raftery, W. L. (2001). Model-based clustering and data transformations for gene expression data, Bioinformatics, 17, 977-987.
Yi, S.-G, Joo, Y.-J. and Park, T. (2009). Rank-based clustering analysis for the time-course microarray data, Journal of Bioinformatics and Computational Biology, 7, 75-91.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.