使用自组织地图 (Clust3D) 来对来自系统性自身炎症疾病的基因表达数据进行3D聚类
Orestis D Papagiannopoulos1, Vasileios C Pezoulas1, Costas Papaloukas1,2,3
1Unit of Medical Technology and Intelligent Information Systems, Dept. of Materials Science and Engineering, University of Ioannina, Ioannina GR45110, Greece.
Computational and structural biotechnology journal
|June 3, 2024
概括
这项研究引入了一种新的聚类方法,用于分析系统性自身炎症性疾病 (SAID) 中的基因表达. 与现有方法相比,这种新的方法通过更好地捕捉时间基因表达动态来改善生物标记物的发现.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 系统性自身炎症性疾病 (SAID) 缺乏用于诊断的特定生物标志物.
- 基因表达时间序列聚类对于理解SAID动态至关重要.
- 机器学习有助于发现新的SAID生物标志物.
研究的目的:
- 提出一种新的聚类方法来关联三维数据.
- 为了有效地捕捉SAIDs基因表达模式中的时间动态.
- 为了提高从集群中提取特定路径基因的准确性.
主要方法:
- 开发了一种使用竞争性学习和自我组织的神经网络的新型集群方法.
- 将算法应用于高维,时间依赖的特征空间.
- 使用标准指数和微分表达式分析评估集群.
- 与启发式时间序列集群方法进行性能比较.
主要成果:
- 提出的方法显著改善了集群指数 (例如,卡林斯基-哈拉巴斯的增加三倍,戴维斯-博尔丁的增加两倍).
- 获得了增强的分类特异性得分.
- 与启发式方法相比,在提取特定通路基因方面表现出卓越的性能.
结论:
- 一种新的聚类方法成功地开发并应用于SAID基因表达数据.
- 该方法有效地产生分离良好的集群,优于现有的启发式方法.
- 这一进步有助于识别系统性自身炎症性疾病的关键生物标志物.
更多相关视频
08:59Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps
Published on: October 28, 2018
7.1K
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
1.2K
