빈발 유전자 발현 패턴과 연쇄 규칙을 이용한 유전자 조절 네트워크 구축
Constructing Gene Regulatory Networks using Frequent Gene Expression Pattern and Chain Rules
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
유전자들의 그룹은 복잡한 상호작용들을 통해 세포의 기능이 조절되며 이러한 상호작용을 하는 유전자 그룹들을 유전자 조절 네트워크(GRNs: Gene Regulatory Networks)라고 한다. 이전의 유전자 발현 분석 기법인 군집화와 분류는 단지 상동성에 의한 유전자들 사이의 소속을 결정하는 데에는 유용하나 분자 활동에서의 같은 클래스에서 발견되어지는 유전자들 사이의 조절 관계를 식별할 수 없다. 더욱이 유전자들이 어떻게 연관되는지와 유전자들이 서로 어떻게 조절하는지에 대한 매커니즘의 이해가 필요하다. 따라서 이 논문에서는 시계열 마이크로어레이 데이터로부터의 유전자들의 조절 관계를 발견하기 위해서 빈발 패턴 마이닝과 연쇄 규칙을 이용한 새로운 접근법을 제안하였다. 이 기법에서는 먼저, 빈발 패턴 마이닝 적용을 위한 적절한 데이터 변환 방법을 제안하였고 FP-growth을 이용하여 유전자 발현 패턴들을 발견한다. 그런 다음, 연쇄 규칙을 이용하여 빈발한 유전자 패턴들로부터 유전자 조절 네트워크를 구축하였다. 마지막으로 제안된 기법의 검증은 공개된 유전자들의 조절 관계와 실험 결과의 일치함을 보임으로써 평가하였다.
Abstract
Groups of genes control the functioning of a cell by complex interactions. Such interactions of gene groups are called Gene Regulatory Networks(GRNs). Two previous data mining approaches, clustering and classification, have been used to analyze gene expression data. Though these mining tools are useful for determining membership of genes by homology, they don't identify the regulatory relationships among genes found in the same class of molecular actions. Furthermore, we need to understand the mechanism of how genes relate and how they regulate one another. In order to detect regulatory relationships among genes from time-series Microarray data, we propose a novel approach using frequent pattern mining and chain rules. In this approach, we propose a method for transforming gene expression data to make suitable for frequent pattern mining, and gene expression patterns are detected by applying the FP-growth algorithm. Next, we construct a gene regulatory network from frequent gene patterns using chain rules. Finally, we validate our proposed method through our experimental results, which are consistent with published results.
참고문헌 (16)
- "Using Bayesian networks to analyze expression data", 7, pp.601~620 (2000)
- "Sensitivity and specificity of inferring genetic regulatory interactions from microarray experiments with dynamic Bayesian networks", 19, pp.2271~2282 (2003)
- "Identifying Gene Regulatory Networks from Experimental Data", pp.94~103 (1999)
- "Linear modeling of genetic networks from experimental data", pp.355~366 (2000)
- Holter N. S, "Dynamic modeling of gene expression data", pp.1693~1698 (2000)
- Rishi Khan, "Bayesian Modeling Framework for Genetic Regulation" (2002)
- Akutsu T, "Identification of genetic networks from a small number of gene expression patterns under the Boolean network model" (1999)
- Eisen M. B, "Cluster Analysis and Display of Genome-Wide Expression Patterns", 95, pp.14863~14868 (1998)
- Spellman P. T, "identification of cell cycle-regulated genes of the yeast Saccharomyces cerevisiae by microarray hybridization", 9, pp.3273~3297 (1998)
- Tamayo P, "Interpreting patterns of gene expression with selforganizing maps", 96, pp.2907~2912 (1999)
- Brown M. P, "-based analysis of microarray gene expression data by using support vector machines", 97(1) (2000)
- Han J, "Mining frequent patterns without candidate generation" (2000)
- and Rada, "Machine Learning applications in Expert Systems and Information Retrieval" (1986)
- Li W, "MAR: Accurate and Efficient Classification Based on Multiple Association Rules" (2001)
- Meretakis D, "Extending na？ve bayes classifiers using long itemsets", pp.165~174 (1999)
- and Davis, "Identification of the DNA damage-responsive element of RNR2 and evidence that four distinct cellular factors bind it", pp.5373~86 (1989)