1 / 29

Einführung in Microarray Genexpressionsdaten

Ewgenij Proschak Yusuf Tanrikulu. Einführung in Microarray Genexpressionsdaten. Seminar: Aktuelle Themen der Bioinformatik 13.05.2004 Organizer: Prof. Dr. D. Metzler Tutor: Lin Himmelmann. Ablauf. 13.05.2004 Einführung in Microarray Genexpressionsdaten 20.05.2004 Feiertag

sivan
Download Presentation

Einführung in Microarray Genexpressionsdaten

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  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 Einführung in Mictoarray Genexpressionsdaten

  3. Inhalt • Einleitung • Durchführung eines Microarray-Experiments • Auslesen der Daten • Visualisierung • Weiterverarbeitung • Mustererkennung Einführung in Mictoarray Genexpressionsdaten

  4. Einleitung Einführung in Mictoarray Genexpressionsdaten

  5. Einleitung Einführung in Mictoarray Genexpressionsdaten

  6. Einleitung • Prof. Dr. Wolfgang Huber • Gen-Transkriptionsanalyse mit DNA Microarrays • Statistical Computing • Computational Biology Einführung in Mictoarray Genexpressionsdaten

  7. Durchführung eines Microarray-Experiments • Zutaten: • cDNA • Unterlage • mRNA • Ergebnis Einführung in Mictoarray Genexpressionsdaten

  8. Durchführung eines Microarray-Experiments • Flashanimation • DVD Einführung in Mictoarray Genexpressionsdaten

  9. Auslesen der Daten Laser- oder Betastrahlendetektor Einführung in Mictoarray Genexpressionsdaten

  10. Auslesen der Daten – Batcheffekte • Verfälschungen des Experimentergebnisses: • Spotting • PCR Amplifikation • Probenaufbereitung • RNA-Abbau • Array-Beschichtung Einführung in Mictoarray Genexpressionsdaten

  11. Visualisierung • Wieso? Frühzeitige Erkennung von Experimentierfehlern und Hintergrundrauschen Einführung in Mictoarray Genexpressionsdaten

  12. Visualisierung-Falschfarbenrepräsentation Einführung in Mictoarray Genexpressionsdaten

  13. Visualisierung – Histogramm Einführung in Mictoarray Genexpressionsdaten

  14. Visualisierung –Scatterplot Einführung in Mictoarray Genexpressionsdaten

  15. Wieterverarbeitung-Maße für die Genexpression • Aussagen über absolute Genexpression nicht möglich • Gründe: • RNA-Stabilität • Hybridisierung • PCA • Ausweg: • Ratios • Log-Ratios Einführung in Mictoarray Genexpressionsdaten

  16. Weiterverarbeitung-Exkurs • Heteroskedastizität • Varianz nicht konstant • Homoskedastizität • Varianz konstant Nächstes Mal Einführung in Mictoarray Genexpressionsdaten

  17. Weiterverarbeitung Einführung in Mictoarray Genexpressionsdaten

  18. Mustererkennung-Methoden • Projektionsmethoden • Hauptkomponentenanalyse • SOMs • Clusteralghorithmen • Hierarchisches Clustering Einführung in Mictoarray Genexpressionsdaten

  19. Mustererkennung-Hauptkomponentenanalyse Einführung in Mictoarray Genexpressionsdaten

  20. Mustererkennung-Hauptkomponentenanalyse • Projektion des Datensatzes auf die Hauptkomponenten Einführung in Mictoarray Genexpressionsdaten

  21. Mustererkennung-Hauptkomponentenanalyse • Aufstellen der Covarianzmatrix • Finden der Eigenvektoren • Projektion des Datensatzes auf die Eigenvektoren mit den größten Eigenwerten Einführung in Mictoarray Genexpressionsdaten

  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 Einführung in Mictoarray Genexpressionsdaten

  23. Mustererkennung-Self Organizing Maps Z Y X SOM Einführung in Mictoarray Genexpressionsdaten

  24. Mustererkennung-Self Organizing Maps • Algorithmus: • Zufälliges Aussuchen eines Musters • Ermitteln des Gewinnerneurons • Aktualisieren der Neuronengewichte • Zurück zu 1 oder terminieren Einführung in Mictoarray Genexpressionsdaten

  25. Mustererkennung-Self Organizing Maps Lernzeit Voronoi-Verteilung Einführung in Mictoarray Genexpressionsdaten

  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. Einführung in Mictoarray Genexpressionsdaten

  27. Mustererkennung-Hierarchisches Clustern • Top-down • Bottom up Einführung in Mictoarray Genexpressionsdaten

  28. Mustererkennung-Hierarchisches Clustern • Anwendungsbeispiel: CAGE Einführung in Mictoarray Genexpressionsdaten

  29. Ewgenij Proschak Yusuf Tanrikulu To be continued…

More Related