Analiza danych z mikromacierzy DNA metody, narzędzia

Praca poświęcona jest analizie danych z badań ekspresji genów prowadzonych za pomocą mikromacierzy DNA. Mikromacierze DNA są nową techniką wykorzystywaną przez biologów, a coraz powszechniej również przez lekarzy, umożliwiającą równoczesny pomiar poziomu ekspresji wielu (np. kilkudziesięciu tysięcy) genów badanego organizmu. Eksperymenty za pomocą mikromacierzy prowadzą do powstawania dużych zbiorów danych, na podstawie których możliwe jest poszukiwanie zależności pomiędzy aktywnością genów a np. stanami chorobowymi organizmu, badanie funkcji genów, a także budowanie modeli umożliwiających przewidywanie reakcji na terapie i in. Poszukiwanie tego typu zależności, istotnych dla biologów i lekarzy, możliwe jest dzięki zastosowaniu zaawansowanych metod data mining, korzystających zarówno z technik statystycznych, jak i rozpoznawania wzorców (pattern recognition),a także specjalizowanych narzędzi komputerowych. Specyfika danych mikromacierzowych oraz formułowanych dla nich zadań analitycznych dała nowe impulsy rozwoju metod analizy danych oraz narzędzi komputerowych. W pracy przedstawiono zadania analizy danych formułowane dla potrzeb analizy danych z badań mikromacierzowych. Szczególną uwagę zwrócono na zadania grupowania w celu poszukiwania grup genów przejawiających podobne profile ekspresji oraz grup podobnych obserwacji (próbek). Pokazano wpływ ustawień zastosowanych algorytmów analitycznych na wyniki, w ten sposób ilustrując trudności interpretacji wyników analizy danych z badań mikromacierzowych. W pracy omówiono również wybrane narzędzia wspomagające analizę danych mikromacierzowych, a także rozwijane ostatnio narzędzia umożliwiające efektywną pracę interdyscyplinarnych zespołów badaczy biologów - statystyków - informatyków, pracujących nad analizą danych z mikromacierzy DNA.

---

The purpose of the work is to present application of data mining techniques for analysis of results from DNA microarray experiments. A challenging problem of finding groups of genes with similar expression patterns and groups of samples with similarly expressed genes is discussed in greater detail. Software tools that expedite data analysis by building a frame-work for efficient cooperation of interdisciplinary teams consisting of biologists, statisticians, and data mining specialists are also presented.