خوشه‌بندی مبتنی بر گراف با استفاده از آزمون ویلکاکسون جهت استخراج ارتباطات بیولوژیکی سلول‌ها و بافت‌ها

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 موثر 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.

Graph-based Clustering using the Wilcoxon Test to Extract the Biological Communication of Cells and Tissues

Finding a graphbased clustering is an applied method for detecting the relationship between nodes in complex networks, which has attracted considerable attention. Since recognizing different communities in largescale data is a challenging task, by understanding the relationship between the behavior of elements in a society (cluster), we can predict the general characteristics of the clusters. Graphbased clustering techniques have played an important role in the clustering of gene expression data due to their ability to show the relationship between data. In order to detect effective genes in the development of diseases, it is necessary to achieve the relationship between cells or tissues. The interaction between cells or different tissues can be demonstrated by expressing different genes between them. In this research, the problem of celltocell and tissuetocell communication is expressed as a graph and is extracted by the recognition of relationships. The Phantom 5 database is used to simulate and calculate the similarity between cells and tissues. After preprocessing and normalizing the data, for the conversion of these data to the graph, the expression of the gene in different cells and tissues has been examined and considering the threshold and the Wilcoxon test, using clustering of communications They were identified.