Nghiên cứu một số phương pháp phân cụm cho dữ liệu gene microarray

  • Số trang: 46 |
  • Loại file: PDF |
  • Lượt xem: 9 |
  • Lượt tải: 0
nganguyen

Đã đăng 34173 tài liệu

Mô tả:

Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Đỗ Thị Nương NGHIÊN CỨU MỘT SỐ PHƯƠNG PHÁP PHÂN CỤM CHO DỮ LIỆU GENE MICROARRAY KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin HÀ NỘI- 2010 Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Đỗ Thị Nương NGHIÊN CỨU MỘT SỐ PHƯƠNG PHÁP PHÂN CỤM CHO DỮ LIỆU GENE MICROARRAY KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin Cán bộ hướng dẫn: Ths. Nguyễn Thị Hậu HÀ NỘI-2010 ii Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. Lời cảm ơn Trước tiên, tôi muốn gửi lời cảm ơn sâu sắc đến cô Nguyễn Thị Hậu người đã tận tình chỉ bảo tôi trong suốt quá trình thực hiện khóa luận. Tôi cũng xin chân thành cảm ơn các thấy cô giáo của trường Đại Học Công Nghệ, những người đã tận tình chỉ bảo dạy dỗ và trang bị cho tôi những kiến thức quý báu trong suốt 4 năm học trong trường. Tôi cũng muốn gửi lời cảm ơn tới những bạn trong lớp K51CD những người đã đồng hành cùng tôi trong suốt những năm tháng ở giảng đường đại học. Các bạn cũng luôn động viên và giúp đỡ tôi rất nhiều trong thời gian tôi làm khóa luận. Cuối cùng, tôi cũng muốn gửi lời cảm ơn vô hạn đến gia đình và các bạn của tôi những người luôn ở bên động viên tôi để tôi có thể hoàn thành tốt khóa luận này. Hà Nội, ngày 17 tháng 5 năm 2010 Sinh Viên Đỗ Thị Nương i Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. Tóm tắt nội dung Dữ liệu microarrays là những bước đột phá mới nhất trong sinh học phân tử. Nó cho phép kiểm tra mô tả gene của khoảng mười nghìn gene đồng thời. Kết quả của những thí nghiệm sử dụng công nghệ microarray này sẽ được đem phân tích ở mức thấp và cho ra một tập dữ liệu gọi là dữ liệu gene micrarray. Dữ liệu này sẽ được sử dụng cho việc phân tích mức cao hay còn gọi là phân tích cụm (Cluster analysis). Phân cụm gene tức là nhóm những gene thành những cụm với những đặc tính tương đồng. Mới xuất hiện từ đầu những năm 1990 đến nay đã và đang có rất nhiều phòng thí nghiệm, công trình khoa học nghiên cứu về vấn đề phân cụm cho dữ liệu gene micoarray và vấn đề này ngày càng được quan tâm đầu tư nhiều hơn, bởi vì những ứng dụng vô cùng to lớn của kết quả nghiên cứu vấn đề này trong nhiều lĩnh vực như: y học là “chuẩn đoán và điều trị bệnh, khoa học môi trường là “ xác định vi sinh vật” ”, nông nghiệp…. Khóa luận này sẽ giúp chúng ta tìm hiểu về một số phương pháp phân cụm cho dữ liệu gene microarray bao gồm “Hierarchical”, “Kmeans”, “SOM”, “PAM” và phương pháp phân cụm mới dựa trên khoảng cách “intra-cluster”. Đánh giá ưu nhược điểm của các phương pháp phân cụm này và cuối cùng là phát triển một chương trình có chức năng “phân cụm”cho “dữ liệu microarray gene” mà sử dụng phương pháp phân cụm “tối ưu hơn cả”. ii Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. Mục lục Lời cảm ơn ........................................................................................................................... i Tóm tắt nội dung ...............................................................................................................ii Mục lục ...............................................................................................................................iii Danh mục hình vẽ bảng biểu ..........................................................................................iv Mở đầu ................................................................................................................................ 5 Chương 1: Giới thiệu bài toán phân cụm cho dữ liệu gene microarray...................7 1.1. Bài toán phân cụm nói chung ...............................................................................7 1.1.1. Khái niệm........................................................................................................7 1.1.2. Các kiểu phân cụm khác nhau ....................................................................... 7 1.1.3. Những loại cụm khác nhau ............................................................................8 1.2. Phân cụm cho dữ liệu gene microarray...............................................................9 1.2.1. Giới thiệu công nghệ DNA microarray......................................................... 9 1.2.2. Thí nghiệm microarray...................................................................................9 1.3. Ứng dụng bài toán phân cụm cho dữ liệu gene microarray..............................13 Chương 2: Một số phương pháp phân cụm cho dữ liệu gene microarray .............14 2.1. Cơ sở toán học .....................................................................................................14 2.1.1. Biểu diễn dữ liệu gene microarraay ............................................................14 2.1.2. Vector mô tả .................................................................................................14 2.1.3. Ma trận mô tả gene.......................................................................................14 2.1.4. Khoảng cách hay sự tương đồng .................................................................15 2.2. Một số phương pháp phân cụm ..........................................................................17 2.2.1. Phân cụm Hierarchical .................................................................................17 2.2.2. K-Means Clustering (KMC) ........................................................................19 2.2.3. Self-Organizing Maps(SOMs).....................................................................20 2.2.4. Principal Components Analysis-(PCA) ......................................................21 2.3. Phương pháp phân cụm intra-cluster ....................................................................22 Chương 3: Đề xuất hướng giải quyết của bài toán phân cụm cho dữ liệu gene microarray ........................................................................................................................24 3.1. Phương pháp phân cụm.......................................................................................24 3.1.1. Lý do chọn K-means .......................................................................................24 3.1.2. Lý do chọn “intra-cluster” ..............................................................................24 3.2. Một số phương pháp khắc phục nhược điểm của k-means...............................25 3.2.1. Lọc dữ liệu ....................................................................................................25 3.2.2. K-medians .....................................................................................................25 3.2.3. Xữ lý dữ liệu khuyết: ...................................................................................25 3.2.4. Tìm giải pháp tối ưu “toàn cục” ..................................................................26 3.2.5. Việc xác định số cụm k ................................................................................26 Chương 4: Phát triển ứng dụng cho bài toán phân cụm dữ liệu gene microarray ............................................................................................................................................27 iii Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. 4.1. Các chức năng của ứng dụng..............................................................................27 4.1.1.Mô hình tương tác giữa các module................................................................27 4.1.2. Tải, Lưu file, lọc, điều chỉnh dữ liệu và xử lý dữ liệu khuyết ...................28 4.1.3. Phân cụm K-means.......................................................................................31 4.3. Định dạng dữ liệu vào, ra....................................................................................32 4.3.1. Dữ liệu tải vào ..............................................................................................32 4.3.2. Định dạng dữ liệu ra.....................................................................................33 4.4. Ngôn ngữ lập trình ..............................................................................................33 4.4.1. Một số ưu điểm của ngôn ngữ lập trình Java.............................................33 4.5. Môi trường phát triển ứng dụng .........................................................................35 Chương 5: Thực nghiệm và đánh giá ...........................................................................36 5.1. Cài đặt ứng dụng “Gene Cluster”.......................................................................36 5.1.1. Cài đặt ứng dụng ..........................................................................................36 5.2.1. Mô tả các tập dữ liệu thực nghiệm ..............................................................36 5.2.2. Thực nghiệm trên “Cluster 3.0” và “Gene Cluster”...................................37 5.3. Kết quả và đánh giá .............................................................................................38 5.3.1. Kết quả ..........................................................................................................38 5.3.2. Đánh giá ........................................................................................................40 Tổng kết ............................................................................................................................42 Tài liệu tham khảo...........................................................................................................43 Danh mục hình vẽ bảng biểu Hình 1: Thí nghiệm microarray ........................................................................................11 Hình 2: Minh họa việc tính dữ liệu mô tả gene. ..............................................................12 Hình 3: Ví dụ về vector mô tả gene trong log .................................................................14 Hình 4: Ví dụ về ma trận mô tả gene ...............................................................................15 Hình 5: Mô tả những phương pháp linkage khác nhau...................................................19 Hình 6 : Sơ đồ DFD mô tả sự tương tác dữ liệu và chức năng.......................................28 Hình 7: Giao diện cho menu của chương trình................................................................29 Hình 8: Giao diện cho chức năng filter data ....................................................................29 Hình 9: Giao diện minh hoa cho chức năng adjust data. ................................................30 Hình 10: Giao diên chức năng xử lý dữ liệu khuyết. ......................................................31 Hình 11: Giao diện chính của chương trình phân cụm “Gene Cluster”.........................32 Hình 12 : Mô tả định dạng dữ liệu tải vào. ......................................................................32 Hình 13: Mô hình thực thi của một chương trình bằng Java. .........................................34 Hình 14: Hình ảnh phóng to của một số gene trong kết quả phân cụm K-means trên “Cluster 3.0” ......................................................................................................................39 Hình 15: Hình ảnh phóng to của một số gene trong kết quả phân cụm K-means trên “Gene Cluster” không sử dụng chức năng sử lý dữ liệu khuyết. ...................................39 Hình 15: Hình ảnh phóng to của một số gene trong kết quả phân cụm K-means trên “Gene Cluster” sử dụng chức năng sử lý dữ liệu khuyết. ...............................................40 Hình 16: Kết quả thời gian chạy Kmeans trên “dataset1” ..............................................40 iv Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. Mở đầu Hầu hế những tế bào trong các cơ quan của sinh vật nhân thực-eukaryota đều chứa những bổ xung đầy đủ của những gene mà tạo lên toàn bộ hệ gene của cơ quan đó. Những gene này được biểu hiện một cách chọn lọc trong mỗi tế bào phụ thuộc vào từng loại tế bào, từng loại mô, và những điều kiện cả bên trong lẫn bên ngoài tế bào. Do sự phát triển của những kỹ thuật sinh học phân tử và tái tổ hợp gene mà đã đưa ra một kết luận rằng những sự kiện quan trọng trong đời sống của một tế bào là được quy định bởi những nhân tố mà làm thay đổi những miêu tả của các gene của chúng. Vì vậy việc hiểu mô tả của các gene đã trở thành lĩnh vực quan trọng trong việc nghiên cứu sinh học hiện đại. Hai câu hỏi chính đặt ra khi quản lý việc miêu tả của gene là: Việc mô tả gene làm cách nào có thể phát hiện ra chức năng của tế bào và bệnh lý của tế bào? Những câu hỏi này có thể được phân chia chi tiết như sau: Mức độ mô tả của gene trong những tế bào và những trạng thái khác nhau thì khác nhau như thế nào? Những chức năng của các genes khác nhau là gì? Và những mô tả của những gene này thay đổi như thể nào tương ứng với những thay đổi vật lý bên trong môi trường của tế bào. Mô tả gene bị tác động bởi những loại bệnh như thế nào? Những gene nào quy định tính di truyền của các bệnh. Những gene nào bị tác động trong quá trình điều trị bệnh. Những thay đổi của những giá trị mô tả gene là gì trong theo chuỗi thời gian tiến hành thí nghiệm. Trước khi phát triển công nghệ DNA microarray đã có một số phương pháp được sử dụng để phân tích những mẫu mô tả của những gene. Tuy nhiên những phương pháp này đều có hạn chế là chỉ thực hiện được trên một số ít các mẫu gene vì vậy không đem lại hiệu quả cao. Khi có sự xuất hiện của công nghệ micoarray, nó đã đưa ra được bước chuyển biến mạnh mẽ trong việc phân tích những mẫu mô tả của hàng chục nghìn gene một cách nhanh chóng và hiệu quả. Để có thể trả lời một cách chính xác và thỏa đáng những câu hỏi trên thì bài toán đặt ra là “ tìm các phương pháp để phân cụm cho dữ liệu gene microarray một cách hiệu quả”. Khóa luận này sẽ giúp tìm hiểu về một số phương pháp cụm cho phổ biến. Tìm ra những ưu nhược điểm của những phương pháp này và nghiên cứu những giải pháp khắc phục những ưu nhược điểm đó. Ngoài phần MỞ ĐẦU và KẾT LUẬN, kết cấu của khoá luận bao gồm các chương sau: Chương 1: Giới thiệu bài toán phân cụm cho dữ liệu gene microarray. Giới thiệu về công nghệ DNA microarray, Thí nghiệm microarray và ứng dụng. Trình bày thí nghiệm sử dụng công nghệ DNA microarray sau đó là việc phân tích kết 5 Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. quả của thí nghiệm này ở mức thấp và mức cao. Đưa ra một ứng dụng cụ thể sử dụng công nghệ này. Chương 2: Một số phương pháp phân cụm cho dữ liệu gene microarray. Tìm hiểu một số phương pháp phân cụm phổ biển. Đánh giá những ưu nhược điểm, tìm hiểu và đưa ra những hướng tiếp cận mới để khắc phục một số nhược điểm của các phương pháp này. Trình bày một ứng dụng thực tế của việc phân cụm cho dữ liệu gene microarray. Chương 3: Hướng giải quyết của bài toán phân cụm cho dữ liệu gene microarray. Chương này sẽ đưa ra phương pháp phân cụm được chọn để cài đặt và một số phương pháp khắc phục nhược điểm của phương pháp này. Chương 4: Phát triển ứng dụng phân cụm cho dữ liệu gene microarray. Chương 5: “Thực nghiệm, đánh giá và kết luận”. Thực nghiệm trên phần mềm phân cụm trên một số tập dữ liệu và đánh giá kết quả. 6 Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. Chương 1: Giới thiệu bài toán phân cụm cho dữ liệu gene microarray 1.1. Bài toán phân cụm nói chung Trước khi thảo luận việc phân cụm cho dữ liệu gene microarray ta sẽ đi tìm hiểu về khái niệm phân cụm nói chung. Đầu tiên, ta sẽ đi định nghĩa về phân tích cụm, chứng minh vì sao nó khó và giải thích mối quan hệ của nó với các kỹ thuật nhóm dữ liệu khác. Sau đó chúng ta sẽ đi khai thác 2 chủ đề quan trọng: (1) những cách nhóm một tập các đối tượng thành một tập những cụm và (2) những loại cụm. 1.1.1. Khái niệm Phân cụm là nhóm những đối tượng dựa trên thông tin mà tìm thấy trong dữ liệu miêu tả đối tượng và những mối quan hệ của chúng. Mục đích của việc phân cụm là để đạt được những đối tượng trong cùng một cụm là giống nhau và khác với những đối tượng của cụm khác. Tính tương đồng trong một nhóm càng nhiều và sự khác nhau giữa những nhóm càng lớn thì các cụm càng phân biệt nhau hơn.[12] Việc đưa ra cụm tốt nhất còn phụ thuộc vào bản chất của dữ liệu và kết quả mong muốn. Phân tích cụm là liên quan đến những kỹ thuật mà để phân chia những đối tượng thành nhóm. Ví dụ, phân cụm có thể được xem như là một dạng của phân lớp ở đó nó tạo ra việc gán nhãn cho những đối tượng những cái nhãn lớp(cụm). Tuy nhiên nó dẫn xuất những nhãn này chỉ từ dữ liệu của các đối tượng. Trái lại, việc phân lớp còn được xem như là phân lớp có quan sát; ví dụ, những đối tượng mới, chưa được gán nhãn sẽ được gán cho một nhãn lớp sử dụng một mô hình được phát triển từ những đối tượng mà đã biết trước nhãn lớp của chúng. Vì lý do này phân cụm đôi khi được biết đến như phân lớp không có quan sát. Cũng như vậy, trong khi những thuật ngữ phân mảnh và phân vùng đôi khi được sử dụng với nghĩa tương tự như phân cụm, những thuật ngữ này thường được sử dụng cho những tiếp cận bên ngoài phạm vi truyền thông của việc phân tích cụm. Ví dụ, việc phân vùng thường được sử dụng liên quan đến kỹ thuật phân chia những đồ thị thành những đồ thị con và không liên quan nhiều đến việc phân cụm. Phân mảnh thường chỉ đến việc phân chia dữ liệu thành những nhóm sử dụng những kỹ thuật đơn giản ví dụ những hình ảnh có được phân chia thành những mảnh chỉ dựa trên cường độ điểm ảnh và mầu sắc hay con người có thể được chia thành những nhóm dựa trên thu nhập của họ. Tuy nhiên cũng có một vài công việc liên quan đên phân vùng đồ thị và phân mảnh thị trường là liên quan đến phân cụm. 1.1.2. Các kiểu phân cụm khác nhau Trong phân trước tôi đã trình bày định nghĩa phân cụm, phần này sẽ trình bày về các kiểu phân cụm khác nhau: Phân cụm Cấu trúc với Phân vùng (Hierarchical vs Partitional) [12] 7 Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. Kiểu phân cụm được thảo luận nhiều nhất trong số những kiểu phân cụm là tập những cụm được “lồng nhau” hay “không lồng nhau” hay theo một thuật ngữ truyền thống hơn là “cấu trúc” hay “phân vùng”. Phân cụm phân vùng đơn giản là phân chia tập những đối tượng dữ liệu thành những tập con (những cụm) không gối trồng lên nhau như là mỗi đối tượng dữ liệu chỉ ở một tập con. Nếu chúng ta cho phép những cụm có những cụm con thì chúng ta sẽ thu được phân cụm cấu trúc, chúng là một tập những cụm lồng nhau mà có thể được tổ chức như một cây. Mỗi nút (cụm-cluster) trên cây ngoại trừ nút lá là hợp của những con (những cụm con) của nó, và gốc của cây là những cụm mà chứa tất cả những đối tượng. Phân cụm mức đỉnh (exclusive), gối chồng (overlapping) và mờ (fuzzy)[12] Phân cụm “mức đỉnh”: Gán mỗi đối tượng tới một cụm đơn. Có rất nhiều trường hợp mà một đối tướng có thể phù hợp cho nhiều hơn một cụm, những trường hợp này được gọi là non-exclusive. Theo một nghĩa chung nhất overlapping hay non-exclusive thường được sử dụng để chỉ đến một đối tượng mà đồng thời có thể thuộc nhiều hơn một cụm. Phân cụm non-exclusive một đối tượng là ở giữa 2 hay nhiều hơn cụm và có thể được gán cho bất kỳ cụm nào trong số những cụm này. Trong phân cụm fuzzing mỗi đối tượng phụ thuộc vào mỗi cụm với ‘trọng số thành viên ‘ nằm giữa 0 và 1 là 0 tức là tuyệt đối không phụ thuộc, 1 tức là tuyệt đối phụ thuộc. Theo nghĩa khác, những cụm này được xem như là những tập ‘mờ’ hay fuzzy. ( Theo toán học những tập mờ là tập mà một đối tượng phụ thuộc vào bất kỳ tập nào với trọng lượng nằm giữa 0 và 1. Trong phân cụm mờ chúng ta thường cho thêm ràng buộc tổng trọng lượng của mỗi đối tượng phải bằng 1. Trong thực tế, phân cụm mờ thường được chuyển thành phân cụm mức đỉnh bằng việc gán mỗi đối tượng tới cụm mà trọng lượng thành viên của nó là cao nhất. Phân cụm một phần với đầy đủ(complete vs patial)[12]: Việc phân cụm đầy đủ gán mỗi đối tượng tới cụm còn phân cụm một phần thì không . Động lực cho phân cụm một phần là một vài đối tượng trong tập dữ liệu có thể không thuộc vào những nhóm hoàn toàn xác định. Tức là đôi khi những đối tượng trong tập dữ liệu có thể có biểu diễn khác đi. 1.1.3. Những loại cụm khác nhau Mục tiêu của phân cụm là tìm ra những cụm hữu ích tức là phù hợp với mục đích của việc phân tích dữ liệu. Dưới đây sẽ trình bày một số loại cụm tuy nhiên nó cũng chỉ hiệu quả cho một số loại dữ liệu. Phân chia rõ ràng (Well-Separated)[12] Cụm là một tập các đối tượng mà những đối tượng trong cùng một cụm giống nhau hơn bất kỳ những đối tượng trong cụm khác. Dựa trên mẫu(Prototype – Based)[12] Một cụm mà tập những đối tượng trong đó mỗi đối tượng trong một cụm gần với “mẫu” của cụm đó hơn là gần với mẫu của cụm khác. Với dữ liệu có thuộc tính liên tục “mẫu” của cụm thường là “trọng tâm” hay 8 Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. “centroid” của cụm, ví dụ, là trung bình của tất cả các điểm trong cụm. Tuy nhiên một vài trường hợp “trọng tâm” là không hợp lý như là khi dữ liệu có những thuộc tính “xác thực” vì vậy mẫu thường là “medoid” là điểm đại diện nhất cho cụm. Ví dụ trong nhiều kiểu dữ liệu mẫu thường là điểm trung tâm nhất của cụm, ta gọi những loại cụm này là “cụm dựa trên trung tâm” hay “center-based clusters”. Những cụm dạng này thường có hình cầu. Dựa trên đồ thị (Graph-Based)[12] Nếu dữ liệu được biểu diễn như một đồ thị nơi mà những nút là những đối tượng và những liên kết biểu diễn những kết nối giữa những đối tượng do vậy một cụm có thể được định nghĩa là một thành phần được kết nối; ví dụ một nhóm những đối tượng mà được kết nối tới những đối tượng khác trong nhóm nhưng không được kết nối tới những đối tượng khác nằm ngoài nhóm. Dựa trên mật độ (Desity-Based)[12] Một cụm là một miền đối tượng có mật độ cao được bao quanh bởi miền đối tượng có mật độ thấp. Chia sẻ thuộc tính (Shared-Property)[12] Cụm là một tập những đối tượng mà chia sẻ một vài thuộc tính chung những thuộc tính chung này được dẫn xuất từ toàn bộ tập các điểm. 1.2. Phân cụm cho dữ liệu gene microarray 1.2.1. Giới thiệu công nghệ DNA microarray Khái niệm công nghệ DNA microaray Công nghệ microarray là công nghệ “highthroughput” (“highthroughput là những thí nghiệm sử dụng những phương pháp nghiên cứu về bộ di truyền, protein, quá trình sao chép, chuyển hóa) để xác định những genes một loại tế bào hay 1 cơ quan. Việc đo mức độ mô tả của gene trong những điều kiện biến đổi cung cấp cho các nhà sinh học hiểu rõ hơn về chức năng của gene và có những ứng dụng rộng rãi trong lĩnh vực khoa học. Ví dụ, microarrays cho phép so sánh mô tả gene giữa những tế bào ung thư và tế bào thường. Công nghệ này còn được biết với các tên như: DNA microarrays, DNA arrays, DNA chips, và gene chips. 1.2.2. Thí nghiệm microarray Về cơ bản, thí nghiệm với microarray gồm 4 bước: Chuẩn bị microarray. Chuẩn bị mẫu, tiến hành lai. Phân tích thông tin mức thấp Phân tích dữ liệu mức cao. Bước 1: Chuẩn bị microarray Có rất nhiều phương pháp để sản xuất microarray khác nhau. Thông thường những microarrays được chuẩn bị trên một tấm nền bằng kính, ni lông hoặc thạch anh. 9 Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. Bước quan trọng trong tiến trình này đó là việc lựa chọn những chuỗi DNA để đặt lên tấm nền kình và kỹ thuật trộn những chuỗi DNA này lên trên tấm nền đã chuẩn bị tại những “chấm” còn được gọi là những “spot”, mỗi chấm đại diện cho một gene nhất định. Đường kính của mỗi spot khoảng 80 µm đến 150 µm và mỗi mảng có khoảng trên 80 000 spot.[13] Trong kỹ thuật DNA array, người ta cố định các axit nucleic có trình tự xác định (mẫu dò) trên giá thể (mảng) thích hợp theo thứ tự. Kích thước vật lý các chiều của mỗi mảng này là khoảng 1 inch thậm chí nhỏ hơn. Axit nucleic cần nghiên cứu (đích) được đánh dấu sau đó lai với mẫu dò trên mảng. Ở những điều kiện lý tưởng, các axit nucleic có trình tự bổ sung bắt cặp chính xác với nhau. Hơn nữa dưới các điều kiện này, cường độ phát hiện tín hiệu tỷ lệ trực tiếp với lượng mẫu dò nên có thể định lượng các loại axit nucleic trong mẫu ban đầu [10]. Những spot này được ấn định lên trên microarray bằng robot với các kỹ thuật in “quang hoạt” hoặc in “kim”.[10] Bước 2: Chuẩn bị mẫu, tiến hành lai Trong khóa luận này ta sẽ nghiên cứu thí nghiệm microarray sử dụng mảng chứa mẫu dò cDNA. Hầu hết những thí nghiệm microarray sử dụng mảng loại này đều so sánh mô tả gene từ 2 mẫu, một mẫu gọi là mẫu “ đích” (hay mẫu thí nghiệm), mẫu kia gọi là mẫu “điều kiển”. Những nhà nghiên cứu có cơ sở dữ liệu của trên 40,000 gene được sử dụng để làm mẫu dò đặt lên trên các microarrays. Khi một gene được kích hoạt, máy tế bào bắt đầu sao một số đoạn nhất định của gene đó. Sản phẩm kết quả gọi là RNA thông tin mà là thành phần chính cho việc tạo ra protein. RNA thông tin này được tạo ra bởi tế bào bổ xung vì vậy nó sẽ được lai với phần gốc của DNA mà nó được sao từ DNA này. Để xác định gene nào “được bật” gene nào “bị tắt” trong một tế bào cho trước, đầu tiên, người nghiên cứu phải thu thập những phân tử RNA thông tin có mặt trong tế bào đó. Sau đó người nghiên cứu sẽ gán nhãn chó mỗi RNA thông tin bằng thuốc nhuộm huỳnh quang thường sử dụng thuốc nhuộm huỳnh quang Cy3 và Cy5. RNA thông tin mà có mặt trong tế bào này , sau đó sẽ được lai với những DNA bổ xung của nó trên microarray. [15] Xem hình 2. Sau khi thực hiện việc lai hóa một số mRNA có thể được bao trong một spot khi nó tạo thành những cặp cơ sở (base pair) với cDNA trên microarray. Một số không được bao trong spot. 10 Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. Low-level analysis Cy5 radio Cy3 High-level analysis microarray gene data Hình 1: Thí nghiệm microarray Bước 3: Phân tích dữ liệu mức thấp-Quá trình lượng hóa hình ảnh Sau quá trình lai hoá, nhà nghiên cứu gạt đi những mRNA không được bao trong một spot phải sử dụng một máy quét đặc biệt để dò tìm những mRNA nào được bao trong một spot bằng cách đo tỉ lệ huỳnh quang trên microarray. Điều này thực hiện được là do thuốc nhuộm huỳnh quang được gán cho mỗi mRNA giúp cho số lượng mẫu được bao trong một spot được đo bởi mức độ huỳnh quang phát ra khi được kích thích bởi máy laser.[15] Kết quả của thí nghiệm microarray được biểu diễn như một vector, mỗi thành phần là một spot. Giá trị của 1 thành phần của vector là tỉ lệ của “độ dư” RNA thông tin được đánh giá trong 2 mẫu. Với mỗi spot cho trước, nếu RNA thông tin từ mẫu mà được gán nhãn sử dụng Cy3 có “độ dư” thì spot đó sẽ chuyển thành mầu xanh. Nếu RNA thông tin từ mẫu mà được gán nhãn sử dụng Cy5 có “độ dư” thì spot đó sẽ chuyển thành mầu đỏ. Nếu cả hai mẫu có “độ dư” bằng nhau thì spot sẽ chuyển thành màu vàng. Nếu không có mẫu nào biểu hiện thì spot sẽ có màu đen. Dữ liệu hình ảnh thu được này được gọi là dữ liệu thô. Để đạt được thông tin về mức độ mô tả gene thì dữ liệu hình ảnh này cần phải được phân tích bao gồm: xác định mỗi spot trên mảng sau đó đo và so sánh cường độ của mỗi spot với giá mang. Đây chính là quá trình lượng hóa hình ảnh. Sau quá trình lượng hóa hình ảnh ta thu được dữ liệu mô tả gene. 11 Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. Kết quả của quá trình lượng hóa hình ảnh ta thu được tập dữ liệu được gọi là dữ liệu gene microarray Hình 2: Minh họa việc tính dữ liệu mô tả gene. Đã có rất nhiều phần mềm chuyên dụng được sử dụng cho mục đích này như: ScanAlyze (Eisen 1999), GenePix (Axon 1999), ScanArray Express (GSI 1999).[7] Bước 4: Phân tích dữ liệu mức cao Phân tích các tập dữ gene microarray lớn là một lĩnh vực mới mà cũng có một vài thách thức hay khóa khăn riêng của nó. Những cách tiếp cận khai phá dữ liệu thông thường được chia làm 2 loại: “supervised” và “unsupervised”. Phân tích có giám sát (supervised) Phân tích “supervised” sử dụng những thông tin thêm vào. Phân tích “supervised” bao gồm việc chọn từ toàn bộ tập dữ liệu một tập ‘thử’ và một tập ‘kiểm tra’ và cũng bao gồm chỉ thị của những bộ phân loại, những chỉ thị này sẽ gán những mô tả gene cho những lớp đã được định nghĩa trước. Khi bộ phân loại đã thử trên tập ‘thử’ và đã kiểm tra trên tập ‘kiểm tra’, sau đó nó có thể được áp dụng cho dữ liệu chưa được phân loại.[13] Phân tích không có giám sát (unsupervised) Việc phân tích theo cách này là phù hợp khi không có tri thức trước về dữ liệu. Tiếp cận duy nhất có thể là để nghiên cứu sự tương đồng giữa những mẫu hay những thí nghiệm khác nhau. Quá trình phân tích này được gọi là học không giám sátunsupervised learning vì không có câu trả lời mong muốn được biết cho bất kì gene hay thí nghiệm nào. Quá trình phân tích chỉ nhóm những thực thể giống nhau cùng nhau. Việc phân tích có thể được làm trên gene, các điểm thời gian, các mẫu, trong các chuỗi thời gian. Giải thuật phân cụm sẽ xem tất cả dữ liệu đầu vào nhưg là tập n số hay vector n-chiều.[14] Các phương pháp phân cụm Hierarchical, K-means, SOM là ví dụ điển hình của việc phân tích dữ liệu gene microarray sử dụng cách tiếp cận phân cụm “unsupervised”. Vậy phân cụm cho dữ liệu gene microarray chính là phân tích “unsupervised”. Việc phân cụm này sẽ nhóm những gene hay những thí nghiệm có mô tả tương đồng cùng nhau. 12 Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. 1.3. Ứng dụng bài toán phân cụm cho dữ liệu gene microarray Bài toán phân cụm cho dữ liệu gene microarray có rất nhiều ứng dụng trong nhiều lĩnh vực của đời sống như: y học, sinh học, nông nghiệp, môi trường…. Việc phân cụm cho dữ liệu gene microarray giúp cho việc nhóm những gene dưới những điều kiện hay ở những mẫu khác nhau mà có “mô tả tương đồng” vào thành một nhóm. Điều này có ứng dụng quan trong trong y học đó là phân biệt các tế bào với nhau (tế bào bệnh với tế bào thường). Một ví dụ điển hình cho ứng dụng này là việc phân biệt những loại ung thư vú. Sử dụng việc phân tích dữ liệu microarray gene các nhà nghiên cứu có thể phân biệt được khối ung thư vú gây ra tính di truyền của bệnh và những khối ung thư vú mà không gây ra tính di truyền của bệnh. Ngoài ra, Với việc phân cụm cho dữ liệu microarray gene còn giúp các nhà nghiên cứu phát hiện ra những gene mới là những gene mà thường không thuộc vào cụm nào trong số các gene thí nghiệm đây là một phát hiện rất quan trọng trong sinh học. 13 Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. Chương 2: Một số phương pháp phân cụm cho dữ liệu gene microarray Chương này trình bày về các phương pháp hay các giải thuật phân cụm sử dụng các tiếp cận phân cụm không có giám sát (unsupervised). Các phương pháp phân cụm sẽ được trình bày đó là: Hierarchical, K-means, SOM, PAM và một phương pháp phân cụm mới dựa trên khoảng cách “intra-cluster”. Trước tiên ta sẽ đi được giới thiệu về cơ sở toán học để nghiên cứu các phương pháp phân cụm này. 2.1. Cơ sở toán học 2.1.1. Biểu diễn dữ liệu gene microarraay Dữ liệu mô tả gene thường được biểu diễn dưới dạng số thập phân. Giá trị của dữ liệu mô tả gene có thể được biểu diễn thông qua logarit cơ số 2 của giá trị đó Lợi thế: Những mô tả trong logarit –log là dễ làm việc hơn những mô tả chính quy. 2.1.2. Vector mô tả Mô tả của 1 gene có thể được biểu diễn thông qua hàng loạt những thí nghiệm khác nhau. Dãy những giá trị này được biến đến là vector mô tả gene.[2] Hình 3: Ví dụ về vector mô tả gene trong log 2.1.3. Ma trận mô tả gene Do chúng ta có thể nghiên cứu hàng nghìn gene trong hàng loạt những thí nghiệm ở những điều kiện khác nhau. Kết quả là dữ liệu gene microarray tạo ra có thể được biểu diễn như ma trận mô tả gene.[2] 14 Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. Hình 4: Ví dụ về ma trận mô tả gene 2.1.4. Khoảng cách hay sự tương đồng Khi ta thực hiện phân cụm cho những thực thể biểu diễn trong tập dữ liệu gene microarray tức là nhóm những thực thể mà tương đồng lại với nhau vì vậy chúng ta cần đo tính tương đồng hay ngược lại là đo khoảng cách của các thực thể đó. Tức là ta sẽ cần đo khoảng cách của các vector mô tả của các thực thể đó. Khoảng cách Tính tương đồng Việc phân cụm sẽ phụ thuộc vào ma trận khoảng cách được lựa chọn Ma trận khoảng cách (Distance Matrix): Một số phương pháp đo khoảng cách giữa 2 vector mô tả gene. Khoảng cách dựa trên tương quan Pearson[8] Ma trận tương đồng được sử dụng phổ biến nhất là dựa trên tương quan Pearson. Tương quan Pearson giữa hai tập dữ liệu X={x1, x2,…, x n} và Y={y1, y2,…, yn} được định nghĩa là: Với x tb là giá trung bình của những giá trị x, và σx là độ lệch chuẩn của những giá trị này. Công thức này được sử dụng nếu bạn lựa chọn tùy trọn Correlation(Centered) trong Cluster. Nếu bạn lựa chọn tùy trọn Correlation(Uncentered) thì công thức sau được sử dụng: 15 Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. Trong trường hợp này ta giả định mean của các x là 0. Cluster còn cung cấp 2 ma trận tương đồng là trị tuyệt đối của 2 hàm tương quan trong 2 công thức trên là Absolute Correlation(Centered) và Absolute Correlation(Uncentered) 2 ma trận này xem 2 đối tượng có những mẫu mô tả đối lập nhau là giống nhau; Hệ số tương quan Pearson xem những gene đối lập nhau là rất cách xa nhau. Đo khoảng cách Non-parametric[8] Spearman rank correlation và Kendall’s τ là 2 ma trận mà dựa trên hệ số tương quan của Pearson. Spearman rank correlation áp dụng trên 2 vector dữ liệu mà là hạng của những giá trị dữ liệu trong 2 vector này. Ví dụ: cho 2 vector: x={2.3, 6.7. 4.5, 20.8} và y={2.1, 5.9, 4.4, 4.2} ta tính được r=0.2344 ta sẽ tính trên tập các hạng của 2 vector này là: x={1, 3,2, 4} và y={1,4,3,2} thì ta tính được rspearman=0.4. Tương quan Spearman được sử dụng như một thống kê kiểm tra cho sự độc lập giữa x và y. Kendall’s τ thì sử dụng quan hệ về thứ tự của x và y để tính sự tương quan. Nó xem xét 2 vector dữ liệu (2 gene) như cặp những điểm (xi, yi) và (xj, yj) và chúng ta gọi một cặp là phù hợp nếu: xi < xj và yi < yj hay xi > xj và yi > yj và là không phù hợp nếu: xi yj hay xi > xj và yi < yj Ta có thể biểu diễn ví dụ bởi bảng: 16 Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. Từ bảng ta tính được số cặp phù hợp nc=4 và số cặp không phù hợp nd=2. Từ đó ta tính Kendall’s τ theo công thức: τ=2(nc- nd ) / n(n-1) trong trường hợp này τ=0.33. Chúng ta cũng có thể sử dụng tương quan Kendall’s để kiểm tra sự độc lập giữa x và y. Đo khoảng cách dựa trên khoảng cách Euclidean[8] Theo công thức: Khoảng cách City-block hay Manhattan[8] Là giống với khoảng cách Euclidean khoảng cách d được tính theo công thức: Chú ý: Với những dữ liệu x, y có giá trị missing value thì ta bỏ qua những giá trị này và chỉ tính hệ sô tương quan trên những giá trị có nghĩa. Tính toán ma trận khoảng cách là bước đầu tiên trong phân cụm hierachical với những ma trận tương quan thì khoảng cách d=1.0-corelation(hệ số tương quan). Việc tính toán này sẽ tốn thời gian ngoại trừ phân cụm single-linkage hierarchical vì có giải thuật với độ phức tạp tuyến tính. 2.2. Một số phương pháp phân cụm Khóa luận này sẽ giới thiệu 4 phương pháp phân cụm truyền thống là: phân cụm hierarchical, phân cụm K-means, SOM, và PAM 2.2.1. Phân cụm Hierarchical Là phương pháp phân cụm “ tích tụ” (agglomerative) nối những gene giống nhau vào cùng một nhóm. Tiến trình lặp tiếp tục với việc nối những nhóm kết quả dựa trên tính tương đồng của chúng cho đến khi các nhóm được được kết nối trong một cây cấu trúc.[2] Giải thuật: o Bước 1: Tính khoảng cách giữa các gene tạo thành ma trận khoảng cách (distance matrix). Tìm những khoảng cách nhỏ nhất. Nếu có một vài cặp có tính tương đồng như nhau, sử dụng quy tắc được xác định trước để quyết định lựa chọn cái nào. 17 Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only. o Bước 2: Hợp nhất 2 cụm được lựa chọn để tạo ra những cụm mới mà ban đầu chứa ít nhất 2 đối tượng. Tính toán khoảng cách của tất cả những cụm mới và những cụm khác. o Bước 3: Lặp lại bước 1 và 2 cho đến khi chỉ còn một cụm. o Bước 4: Vẽ một cây trình diễn kết quả. o Bước 5: Trong khi khởi tạo cấu trúc, ta phải quyết định những cụm nào lên được nối. Khoảng cách hay tính tương đồng giữa những cụm phải được tính. Những quy tắc mà quản lý việc tính toán này là những phương pháp liên kết-Linkage Methods. Có 4 phương pháp liên kết phổ biến là:[8] Centroid Linkage Một vector được gán cho mỗi đối tượng giả (hay mỗi cụm-bao gồm một hay nhiều đối tượng thật ) vector này sẽ được sử dụng để tính toán khoảng cách của đối tượng giả này với tất cả những đối tượng còn lại hoặc đối tượng giả sử dụng ma trận tương đồng được sử dụng để tính toán ma trận tương đồng ban đầu. Vector này là trung bình của tất cả những vector của những đối tượng thực sự (đối tượng ở đây là gene hay arrays) chứa trong đối tượng giả. Trong phương pháp này việc tính trung bình của những vector bên trong sẽ bỏ qua những giá trị missing values, vì vậy vector của đối tượng giả chỉ chứa missing value nêu tất cả những đối tượng trong nó chứa giá trị missing value ở cột hay hàng tương ứng. Single Linkage: Khoảng cách giữa 2 đối tượng(cụm) x, y là khoảng cách nhỏ nhất giữa những phần tử của x với những phần tử của y. Ví dụ: xét 2 tập đối tượng x bao gồm các phần tử xi i=1-n, y bao gồm các phần tử ỵ j=1-m thì: Dxy=min(d(xi,yj)) for all i = 1 to n and j = 1 to m. Average Linkage: Khoảng cách giữa 2 đối tượng x, y là khoảng cách trung bình giữa những phần tử của x với những phần tử của y. DAB = 1/(nm) ∑∑( d(xi, yi) ) for all i = 1 to n and j = 1 to m. Complete Linkage: Khoảng cách giữa 2 đối tượng x, y là khoảng cách lớn nhất giữa những phần tử của x với những phần tử của y. Ví dụ: xét 2 tập đối tượng x bao gồm các phần tử xi i=1-n, y bao gồm các phần tử ỵ j=1-m thì: Dxy=max(d(xi,yj)) for all i = 1 to n and j = 1 to m. 18
- Xem thêm -