بایکلاسترینگ سری های زمانی همبسته در داده های میکروآرایه

با شناخته شدن توالی ژنوم های مختلف، گام منطقی بعدی یافتن عملکرد و تنظیم آن ها می باشد. جهت دسته بندی ژن ها در آزمایشگاه مواردی همچون توصیف رفتار ژن، عوامل کنترل کننده ی بیان ژن و تعامل پروتئین بررسی می شوند. انتظار می رود ژن هایی که با مکانیسم مشابهی تنظیم می شوند، دارای الگوی بیان یکسانی باشند.

در این مقاله، یک روش خاص خوشه بندی به نام بایکلاسترینگ را برای داده های میکروآرایه به دست آمده از بیماران مبتلا به MS (Multiple sclerosis) معرفی می کنیم. از دیدگاه بیولوژیکی، بایکلاسترهای تنظیم کننده ی ژنی شامل ژن هایی است که در چندین نقطه از زمان تحت چندین شرایط رفتار مشابهی دارند. با شناسایی این بایکلاسترها، پی بردن به مکانیسم های تنظیمی که باعث این رفتار مشترک می شوند ممکن می شود.

ما از فرمت تغییریافته ی الگوریتم ISA (Iterative signature algorithm) برای استخراج پروفایل های هم بیان ژن از داده های میکروآرایه استفاده کردیم. روش KNN (K-nearest neighbor) در ترکیب با ISA، الگوریتمی ارائه کرد که منجر به یک روش مطلوب برای به دست آوردن مجموعه ی همبسته ای از ژن های همسان در داده های میکروآرایه شد.

این الگوریتم بر روی دو نوع داده ی سنتز شده و داده ی واقعی (اطلاعات بیماران مبتلا به مولتیپل اسکلروز) اعمال شد و نشان داد که تفاوت بارزی بین بایکلاسترهای استخراج شده در مقایسه با ISA وجود دارد؛ هر چند که بهره وری این روش بر روی داده ی سنتز شده و داده ی مبتلایان به مولتیل اسکلروز نشان داده شد، اما برای هر نوع داده ی دیگری نیز قابل استفاده خواهد بود.