Kein Folientitel - PowerPoint PPT Presentation

1 / 29
About This Presentation
Title:

Kein Folientitel

Description:

Ewgenij Proschak Yusuf Tanrikulu Einf hrung in Microarray Genexpressionsdaten Seminar: Aktuelle Themen der Bioinformatik 13.05.2004 Organizer: Prof. Dr. D. Metzler – PowerPoint PPT presentation

Number of Views:78
Avg rating:3.0/5.0
Slides: 30
Provided by: Eugen162
Category:

less

Transcript and Presenter's Notes

Title: 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
Write a Comment
User Comments (0)
About PowerShow.com