Kein Folientitel

1
Ewgenij ProschakYusuf Tanrikulu
Einführung in Microarray Genexpressionsdaten
Seminar Aktuelle Themen der Bioinformatik 13.05
.2004 Organizer Prof. Dr. D. Metzler Tutor Lin
Himmelmann
2
Ablauf

• 13.05.2004 Einführung in Microarray
  Genexpressionsdaten
• 20.05.2004 Feiertag
• 27.05.2004 Varianzstabilisierung der
  Genexpressionsdaten

3
Inhalt

• Einleitung
• Durchführung eines Microarray-Experiments
• Auslesen der Daten
• Visualisierung
• Weiterverarbeitung
• Mustererkennung

4
Einleitung
5
Einleitung
6
Einleitung

• Prof. Dr. Wolfgang Huber
• Gen-Transkriptionsanalyse mit DNA Microarrays
• Statistical Computing
• Computational Biology

7
Durchführung eines Microarray-Experiments

• Zutaten
• cDNA
• Unterlage
• mRNA
• Ergebnis

8
Durchführung eines Microarray-Experiments

• Flashanimation
• DVD

9
Auslesen der Daten
Laser- oder Betastrahlendetektor
10
Auslesen der Daten Batcheffekte

• Verfälschungen des Experimentergebnisses
• Spotting
• PCR Amplifikation
• Probenaufbereitung
• RNA-Abbau
• Array-Beschichtung

11
Visualisierung

• Wieso?
• Frühzeitige Erkennung von Experimentierfehlern
  und Hintergrundrauschen

12
Visualisierung-Falschfarbenrepräsentation
13
Visualisierung Histogramm
14
Visualisierung Scatterplot
15
Wieterverarbeitung-Maße für die Genexpression

• Aussagen über absolute Genexpression nicht
  möglich
• Gründe
• RNA-Stabilität
• Hybridisierung
• PCA

• Ausweg
• Ratios
• Log-Ratios

16
Weiterverarbeitung-Exkurs

• Heteroskedastizität
• Varianz nicht konstant
• Homoskedastizität
• Varianz konstant

Nächstes Mal
17
Weiterverarbeitung
18
Mustererkennung-Methoden

• Projektionsmethoden
• Hauptkomponentenanalyse
• SOMs
• Clusteralghorithmen
• Hierarchisches Clustering

19
Mustererkennung-Hauptkomponentenanalyse
20
Mustererkennung-Hauptkomponentenanalyse

• Projektion des Datensatzes auf die
  Hauptkomponenten

21
Mustererkennung-Hauptkomponentenanalyse

• Aufstellen der Covarianzmatrix
• Finden der Eigenvektoren
• Projektion des Datensatzes auf die Eigenvektoren
  mit den größten Eigenwerten

22
Mustererkennung-Hauptkomponentenanalyse

• Ergebnisse (Alter et al. 2000)
• Eigenvektor mit dem größten Eigenwert
  Hintergrundrauschen ? kann herausgefiltert werden
• Danach Projektion auf die beiden nachfolgenden
  Eigenvektoren ? periodische Funktion von der Zeit
  repräsentiert den Zellzyklus

23
Mustererkennung-Self Organizing Maps
Z
Y
X
SOM
24
Mustererkennung-Self Organizing Maps

• Algorithmus
• Zufälliges Aussuchen eines Musters
• Ermitteln des Gewinnerneurons
• Aktualisieren der Neuronengewichte
• Zurück zu 1 oder terminieren

25
Mustererkennung-Self Organizing Maps
Lernzeit
Voronoi-Verteilung
26
Mustererkennung-Clusteralgorithmen

• Basiert auf globaler Ähnlichkeitsmessung
• Ziel
• Aus den Genexpressionsdaten auf funktionelle
  Verwandschaft oder Coregulation zu schließen.
• Annahme
• Gene, die gemeinsame Eigenschaften aufweisen,
  haben ähnliche Expressionsprofile.

27
Mustererkennung-Hierarchisches Clustern

• Top-down
• Bottom up

28
Mustererkennung-Hierarchisches Clustern

• Anwendungsbeispiel
• CAGE

29
Ewgenij Proschak
Yusuf Tanrikulu
To be continued