Semantic Biclustering: A New Way to Analyze and Interpret Gene Expression Data

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F16%3A00300018" target="_blank" >RIV/68407700:21230/16:00300018 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-38782-6" target="_blank" >http://dx.doi.org/10.1007/978-3-319-38782-6</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-38782-6" target="_blank" >10.1007/978-3-319-38782-6</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Semantic Biclustering: A New Way to Analyze and Interpret Gene Expression Data

Popis výsledku v původním jazyce

We motivate and define the task of semantic biclustering. In an input gene expression matrix, the task is to discover homogeneous biclusters allowing joint characterization of the contained elements in terms of knowledge pertaining to both the rows (e.g. genes) and the columns (e.g. situations). We propose two approaches to solve the task, based on adaptations of current biclustering, enrichment, and rule and tree learning methods. We compare the approaches in experiments with Drosophila ovary gene expression data. Our findings indicate that both the proposed methods induce compact bicluster sets whose description is applicable to unseen data. The bicluster enrichment method achieves the best performance in terms of the area under the ROC curve, at the price of employing a large number of ontology terms to describe the biclusters.

Název v anglickém jazyce

Semantic Biclustering: A New Way to Analyze and Interpret Gene Expression Data

Popis výsledku anglicky

We motivate and define the task of semantic biclustering. In an input gene expression matrix, the task is to discover homogeneous biclusters allowing joint characterization of the contained elements in terms of knowledge pertaining to both the rows (e.g. genes) and the columns (e.g. situations). We propose two approaches to solve the task, based on adaptations of current biclustering, enrichment, and rule and tree learning methods. We compare the approaches in experiments with Drosophila ovary gene expression data. Our findings indicate that both the proposed methods induce compact bicluster sets whose description is applicable to unseen data. The bicluster enrichment method achieves the best performance in terms of the area under the ROC curve, at the price of employing a large number of ontology terms to describe the biclusters.

Druh

D - Stať ve sborníku

CEP obor

JC - Počítačový hardware a software

OECD FORD obor

—

Projekt

<a href="/cs/project/GA14-21421S" target="_blank" >GA14-21421S: Automatická analýza prostorových vzorů genové exprese</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Bioinformatics Research and Applications

ISBN

978-3-319-38781-9

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

2

Strana od-do

332-333

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Minsk

Datum konání akce

5. 6. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000385788800039