خوشه‌بندی پروفایل‌های طولی با مدل‌های اثرات آمیخته ناپارامتری و نیمه‌پارامتری

روش های متعددی برای خوشه بندی داده های بیان ژن دوره ای زمانی وجود دارد ولی محدودیت هایی برای این روش ها وجود دارد که از جمله آن ها می توان به عدم در نظر گرفتن همبستگی در طول زمان و زمان بر بودن محاسبات اشاره داشت. در این مقاله با معرفی مدل های اثرات آمیخته ی ناپارامتری و نیمه پارامتری، این همبستگی در طول زمان در نظر گرفته شده و با استفاده از اسپلاین تاوانیده، حجم محاسبات به طور چشم گیری کاهش یافته است. در پایان با استفاده از مطالعه شبیه سازی عملکرد روش پیشنهادی با روش های قبلی مقایسه و با استفاده از ملاک bic، مدل مناسب تر انتخاب و تحلیل می شود. همچنین روش پیشنهادی در یک مثال کاربردی داده های بیان ژن دوره ای زمانی ارائه شده است.

Clustering Longitudinal Profiles Using Non-parametric and Semi-parametric Mixed Effects Models

There are several methods for clustering time course gene expression data. But, these methods have limitations such as the lack of consideration of correlation over time and suffering of high computational. In this paper, by introducing the nonparametric and semi parametric mixed effects model, this correlation over time is considered and by using penalized splines, computation burden dramatically reduced. At the end, using a simulation study the performance of the presented method is compared with previous methods and by using BIC criteria, the most appropriate model is selected. Also the proposed approach is illustrated in a real time course gene expression data set.