Published May 8, 2012
| Version v1
Publication
Open
Pattern-driven neighborhood search for biclustering of microarray data
Creators
- 1. Université d'Angers
- 2. Tunis University
- 3. Laboratoire de Recherche en Informatique
Description
Biclustering aims at finding subgroups of genes that show highly correlated behaviors across a subgroup of conditions. Biclustering is a very useful tool for mining microarray data and has various practical applications. From a computational point of view, biclustering is a highly combinatorial search problem and can be solved with optimization methods.We describe a stochastic pattern-driven neighborhood search algorithm for the biclustering problem. Starting from an initial bicluster, the proposed method improves progressively the quality of the bicluster by adjusting some genes and conditions. The adjustments are based on the quality of each gene and condition with respect to the bicluster and the initial data matrix. The performance of the method was evaluated on two well-known microarray datasets (Yeast cell cycle and Saccharomyces cerevisiae), showing that it is able to obtain statistically and biologically significant biclusters. The proposed method was also compared with six reference methods from the literature.The proposed method is computationally fast and can be applied to discover significant biclusters. It can also used to effectively improve the quality of existing biclusters provided by other biclustering methods.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يهدف Biclustering إلى العثور على مجموعات فرعية من الجينات التي تظهر سلوكيات مترابطة للغاية عبر مجموعة فرعية من الحالات. Biclustering هو أداة مفيدة للغاية لاستخراج بيانات المصفوفات الدقيقة وله تطبيقات عملية مختلفة. من وجهة نظر حسابية، يعد التجميع العشوائي مشكلة بحث اندماجية للغاية ويمكن حلها باستخدام طرق التحسين. نحن نصف خوارزمية بحث حي عشوائية مدفوعة بالنمط لمشكلة التجميع العشوائي. بدءًا من البيكلاستر الأولي، تعمل الطريقة المقترحة على تحسين جودة البيكلاستر تدريجيًا من خلال تعديل بعض الجينات والظروف. تستند التعديلات إلى جودة كل جين وحالته فيما يتعلق بالكتلة الثنائية ومصفوفة البيانات الأولية. تم تقييم أداء الطريقة على مجموعتين معروفتين من بيانات المصفوفات الدقيقة (دورة خلايا الخميرة و Saccharomyces cerevisiae)، مما يدل على أنها قادرة على الحصول على biclusters ذات دلالة إحصائية وبيولوجية. تمت مقارنة الطريقة المقترحة أيضًا مع ست طرق مرجعية من الأدبيات. الطريقة المقترحة سريعة حسابيًا ويمكن تطبيقها لاكتشاف العوائق الكبيرة. يمكن استخدامه أيضًا لتحسين جودة العوائق الحالية التي توفرها طرق العوائق الأخرى بشكل فعال.Translated Description (French)
Le biclustering vise à trouver des sous-groupes de gènes qui présentent des comportements hautement corrélés dans un sous-groupe de conditions. Le biclustering est un outil très utile pour l'extraction de données de microréseaux et a diverses applications pratiques. D'un point de vue informatique, le biclustering est un problème de recherche hautement combinatoire et peut être résolu avec des méthodes d'optimisation. Nous décrivons un algorithme de recherche de voisinage basé sur un motif stochastique pour le problème de biclustering. Partant d'un bicluster initial, la méthode proposée améliore progressivement la qualité du bicluster en ajustant certains gènes et conditions. Les ajustements sont basés sur la qualité de chaque gène et condition par rapport au bicluster et à la matrice de données initiale. La performance de la méthode a été évaluée sur deux jeux de données de microréseaux bien connus (Yeast cell cycle et Saccharomyces cerevisiae), montrant qu'elle est capable d'obtenir des biclusters statistiquement et biologiquement significatifs. La méthode proposée a également été comparée à six méthodes de référence de la littérature. La méthode proposée est rapide sur le plan informatique et peut être appliquée pour découvrir des biclusters significatifs. Il peut également être utilisé pour améliorer efficacement la qualité des biclusters existants fournis par d'autres méthodes de biclustering.Translated Description (Spanish)
El biclustering tiene como objetivo encontrar subgrupos de genes que muestren comportamientos altamente correlacionados en un subgrupo de afecciones. Biclustering es una herramienta muy útil para extraer datos de micromatrices y tiene varias aplicaciones prácticas. Desde un punto de vista computacional, el biclustering es un problema de búsqueda altamente combinatorio y se puede resolver con métodos de optimización. Describimos un algoritmo de búsqueda de vecindarios basado en patrones estocásticos para el problema del biclustering. Partiendo de un bicluster inicial, el método propuesto mejora progresivamente la calidad del bicluster ajustando algunos genes y condiciones. Los ajustes se basan en la calidad de cada gen y condición con respecto al bicluster y la matriz de datos inicial. El rendimiento del método se evaluó en dos conjuntos de datos de micromatrices bien conocidos (ciclo celular de levadura y Saccharomyces cerevisiae), lo que demuestra que es capaz de obtener biclusters estadística y biológicamente significativos. El método propuesto también se comparó con seis métodos de referencia de la literatura. El método propuesto es computacionalmente rápido y se puede aplicar para descubrir biclusters significativos. También se puede utilizar para mejorar eficazmente la calidad de los biclusters existentes proporcionados por otros métodos de biclustering.Files
1471-2105-13-S7-S11.pdf
Files
(1.7 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:43c46285442b84ea5a6c7e3eb3491fd6
|
1.7 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- بحث حي مدفوع بالنمط عن التجميع الثنائي لبيانات المصفوفات الدقيقة
- Translated title (French)
- Recherche de voisinage basée sur les modèles pour le biclustering des données de microréseaux
- Translated title (Spanish)
- Búsqueda de vecindarios basada en patrones para biclustering de datos de micromatrices
Identifiers
- Other
- https://openalex.org/W1861920366
- DOI
- 10.1186/1471-2105-13-s7-s11
References
- https://openalex.org/W1490350928
- https://openalex.org/W1493217831
- https://openalex.org/W1548741966
- https://openalex.org/W1555490457
- https://openalex.org/W1756950892
- https://openalex.org/W1968558939
- https://openalex.org/W1988306022
- https://openalex.org/W1989504887
- https://openalex.org/W2003407908
- https://openalex.org/W2033070437
- https://openalex.org/W2050883273
- https://openalex.org/W2055849881
- https://openalex.org/W2057682468
- https://openalex.org/W2058849889
- https://openalex.org/W2059398218
- https://openalex.org/W2080400869
- https://openalex.org/W2090257125
- https://openalex.org/W2093815447
- https://openalex.org/W2098601504
- https://openalex.org/W2098740506
- https://openalex.org/W2105883975
- https://openalex.org/W2108480506
- https://openalex.org/W2108728387
- https://openalex.org/W2109103446
- https://openalex.org/W2109363337
- https://openalex.org/W2109501217
- https://openalex.org/W2111914960
- https://openalex.org/W2118886215
- https://openalex.org/W2119282901
- https://openalex.org/W2121463966
- https://openalex.org/W2125138557
- https://openalex.org/W2127544153
- https://openalex.org/W2130095365
- https://openalex.org/W2132400238
- https://openalex.org/W2135000328
- https://openalex.org/W2136107412
- https://openalex.org/W2137009853
- https://openalex.org/W2137683543
- https://openalex.org/W2138612638
- https://openalex.org/W2142830469
- https://openalex.org/W2143065952
- https://openalex.org/W2143274936
- https://openalex.org/W2143426320
- https://openalex.org/W2144544802
- https://openalex.org/W2145955247
- https://openalex.org/W2147246240
- https://openalex.org/W2147339185
- https://openalex.org/W2148560070
- https://openalex.org/W2148948822
- https://openalex.org/W2150630892
- https://openalex.org/W2150641886
- https://openalex.org/W2151763757
- https://openalex.org/W2152191644
- https://openalex.org/W2159578516
- https://openalex.org/W2160091849
- https://openalex.org/W2167974313
- https://openalex.org/W2912888875
- https://openalex.org/W4230702621
- https://openalex.org/W4301791120