تعداد نشریات | 43 |
تعداد شمارهها | 1,263 |
تعداد مقالات | 15,572 |
تعداد مشاهده مقاله | 51,596,636 |
تعداد دریافت فایل اصل مقاله | 14,528,332 |
خوشهبندی مبتنی بر گراف با استفاده از آزمون ویلکاکسون جهت استخراج ارتباطات بیولوژیکی سلولها و بافتها | ||
مجله مهندسی برق دانشگاه تبریز | ||
دوره 50، شماره 3 - شماره پیاپی 93، آبان 1399، صفحه 1373-1382 اصل مقاله (1.03 M) | ||
نوع مقاله: علمی-پژوهشی | ||
نویسندگان | ||
موسی مجرد1؛ حمید پروین* 2؛ صمد نجاتیان1؛ وحیده رضایی3؛ کرم الله باقری فرد1 | ||
1دانشکده مهندسی برق و کامپیوتر – واحد یاسوج – دانشگاه آزاد اسلامی | ||
2دانشکده مهندسی برق و کامپیوتر – واحد نورآباد ممسنی – دانشگاه آزاد اسلامی | ||
3دانشکده مهندسی برق و کامپیوتر - دانشگاه آزاد اسلامی | ||
چکیده | ||
شناسایی خوشهبندی مبتنی بر گراف یک روش کاربردی برای تشخیص ارتباط بین گرهها در شبکههای پیچیده بوده که نظرات قابلتوجهی را به خود جلب کرده است. ازآنجاییکه تشخیص جوامع مختلف در دادههایی با مقیاس بزرگ یک کار چالشبرانگیز است، با درک ارتباط رفتار عناصر در جامعه(خوشه)، میتوان ویژگی کلی خوشهها را پیشبینی کرد. روشهای خوشهبندی مبتنی بر گراف به دلیل توانایی آنها برای نشان دادن ارتباط بین دادهها، نقش مهمی را در خوشهبندی دادههای بیان ژن ایفا کردهاند. برای اینکه بتوان ژنهای مؤثر در بروز بیماریها را تشخیص داد، باید ارتباط بین سلولها و یا بافتها را به دست آورد. تعامل بین سلولها و یا بافتهای مختلف را میتواند با بیان ژنهای مختلف بین آنها نشان داد. در این پژوهش مسئله ارتباطات سلول به سلول و بافت به بافت بهصورت یک گراف بیانشده و با تشخیص اجتماعات روابط استخراج میشوند. برای شبیهسازی و محاسبه میزان شباهت بین سلولها و بافتها از پایگاه داده فانتوم 5 استفاده میشود. پس از پیشپردازش و نرمالسازی دادهها، برای تبدیل این دادهها به گراف، میزان بیان ژن در سلولها و بافتهای مختلف بررسیشده و با در نظر گرفتن یک حد آستانه و آزمون ویلکاکسون، با استفاده از خوشهبندی ارتباطات بین آنها شناسایی شدند. | ||
کلیدواژهها | ||
خوشهبندی مبتنی بر گراف؛ بیان ژن؛ نرمالسازی؛ ویلکاکسون؛ ارتباطات سلول - سلول؛ ارتباطات بافت - بافت | ||
مراجع | ||
[1] C. Pizzuti and S. E. Rombo, Algorithms and tools for protein-protein interaction networks clustering, with a special focus on population-based stochastic methods, Bioinformatics. 2014. [2] P. De Meo, E. Ferrara, G. Fiumara, and A. Provetti, “Mixing local and global information for community detection in large networks,” in Journal of Computer and System Sciences, 2014, vol. 80, no. 1, pp. 72–87. [3] J. Xie and B. K. Szymanski, Towards linear time overlapping community detection in social networks, in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2012. [4] N. Ozaki, H. Tezuka, and M. Inaba, A Simple Acceleration Method for the Louvain Algorithm, Int. J. Comput. Electr. Eng., 2016. [5] K. Macropol, T. Can, and A. K. Singh, RRW: Repeated random walks on genome-scale protein networks for local cluster discovery, BMC Bioinformatics, 2009. [6] T. Qin and K. Rohe, Regularized spectral clustering under the degree-corrected stochastic blockmodel, Adv. Neural Inf. Process. Syst., 2013. [7] A. Lancichinetti, S. Fortunato, and J. Kertész, Detecting the overlapping and hierarchical community structure in complex networks, New J. Phys., 2009. [8] S. Bahadori and P. Moradi, A local Random Walk method for identifying communities in social networks, in 7th Conference on Artificial Intelligence and Robotics, IRANOPEN 2017, 2017. [9] G. J. McLachlan, R. W. Bean, and D. Peel, A mixture model-based approach to the clustering of microarray expression data., Bioinformatics, 2002. [10] M. B. Gorzałczany, F. Rudziński, and J. Piekoszewski, Gene expression data clustering using tree-like SOMs with evolving splitting-merging structures, in Proceedings of the International Joint Conference on Neural Networks, 2016. [11] A. Csikász-Nagy, Computational systems biology of the cell cycle, Briefings in Bioinformatics. 2009. [12] J. Hofbauer and K. Sigmund, Evolutionary game dynamics, Bulletin of the American Mathematical Society. 2003. [13] مجید محمدپور و حمید پروین، «الگوریتم ژنتیک آشوب گونه مبتنی بر حافظه و خوشه بندی برای حل مسائل بهینه سازی پویا»، مجله مهندسی برق دانشگاه تبریز، دوره 46، شماره 3، صفحه 299-318، تبریز، پاییز 1395. [14] سمیرا رفیعی و پرهام مرادی، «بهبود عملکرد الگوریتم خوشهبندی فازی سی- مینز با وزندهی اتوماتیک و محلی ویژگیها»، مجله مهندسی برق دانشگاه تبریز، دوره 46، شماره 2، صفحه 75-86، تبریز، تابستان 1395. [15] D. M. Lane and A. Sándor, Designing Better Graphs by Including Distributional Information and Integrating Words, Numbers, and Images, Psychol. Methods, 2009. [16] D. Chen, Y., Kamath, G., Suh, C., & Tse, “Community recovery in graphs with locality,” in In International Conference on Machine Learning, 2016, pp. 689–698. [17] C. Chekuri and A. Goldberg, “Experimental study of minimum cut algorithms,” in SODA ’97 Proceedings of the eighth annual ACM-SIAM symposium on Discrete algorithms, 1997, pp. 324–333. [18] J. Friedman, T. Hastie, and R. Tibshirani, The elements of statistical learning, vol. 1. Springer series in statistics Springer, Berlin, 2001. [19] R. Babers, A. E. Hassanien, and N. I. Ghali, “A nature-inspired metaheuristic Lion Optimization Algorithm for community detection,” in 2015 11th International Computer Engineering Conference: Today Information Society What’s Next?, ICENCO 2015, 2016. [20] S. Fortunato, Community detection in graphs, Physics Reports. 2010. [21] M. E. J. Newman, Finding community structure in networks using the eigenvectors of matrices, Phys. Rev. E - Stat. Nonlinear, Soft Matter Phys., 2006. [22] S. U. Rehman, A. U. Khan, and S. Fong, “Graph mining: A survey of graph mining techniques,” in Seventh International Conference on Digital Information Management (ICDIM 2012), 2012. [23] W. Maharani and A. A. Gozali, Collaborative Social Network Analysis and Content-based Approach to Improve the Marketing Strategy of SMEs in Indonesia, in Procedia Computer Science, 2015. [24] K. H. Li, P., Piao, Y., Shon, H. S., & Ryu, “Comparing the normalization methods for the differential analysis of Illumina high-throughput RNA-Seq data,” BMC Bioinformatics, vol. 16, no. 1, p. 347, 2015. [25] A. Mortazavi, B. A. Williams, K. McCue, L. Schaeffer, and B. Wold, Mapping and quantifying mammalian transcriptomes by RNA-Seq, Nat. Methods, 2008. [26] C. Trapnell et al., Transcript assembly and quantification by RNA-Seq reveals unannotated transcripts and isoform switching during cell differentiation, Nat. Biotechnol., 2010. [27] L. C. Gandolfo and T. P. Speed, RLE plots: Visualizing unwanted variation in high dimensional data, PLoS One, 2018. [28] A. R. R. Forrest et al., A promoter-level mammalian expression atlas, Nature, 2014. [29] F. Wilcoxon, Individual Comparisons by Ranking Methods, Biometrics Bull., 1945. [30] S. Aranganayagi and K. Thangavel, “Clustering categorical data using Silhouette coefficient as a relocating measure,” in Proceedings - International Conference on Computational Intelligence and Multimedia Applications, ICCIMA 2007, 2008, vol. 2, pp. 13–17. [31] Y. Pan, Inferring Mechanism-Based Gene Regulatory Network Models from Expression and Sequence Data, 2009. [32] E. Côme and P. Latouche, “Model selection and clustering in stochastic block models based on the exact integrated complete data likelihood,” Stat. Modelling, vol. 15, no. 6, pp. 564–589, 2015. [33] J. Y. Jiang, R. J. Liou, and S. J. Lee, A fuzzy self-constructing feature clustering algorithm for text classification, IEEE Trans. Knowl. Data Eng., 2011. | ||
آمار تعداد مشاهده مقاله: 433 تعداد دریافت فایل اصل مقاله: 340 |