پایان‌نامه

خوشه بندی داده های بیان ژنی با استفاده از قوانین فازی

مهرنوش سینایی

چکیده

پیچیدگی شبکه های زیستی و تعداد زیاد ژ ن ها در مجموعه داده های ریز آرایه منجر به چالش های فراوان در زمینه تحلیل داده های بیان ژنی شده است. الگوریتم های خوشه بندی که ژن های مشابه یکدیگر را به هدف تحلیل عملکرد ژن ها گروه بندی می نماید اولین قدم برای رویارویی با این چالش ها می باشد. بطور کلی روش های خوشه بندی فازی برای تحلیل داده های بیان ژنی مناسب تر می باشند زیرا گروه های زیستی به طور ذاتی دارای هم پوشانی بوده و به میزان قابل توجهی نویز در آن ها مشاهده می شود. در همین راستا در این رساله از الگوریتم تولید قوانین فازی جهت خوشه بندی داده های بیان ژنی استفاده شده است که به صورت خودکار خوشه های نهفته در داده های بیان ژنی را بدون نیاز به دانش قبلی کشف کرده و با تولید قوانین فازی قابل تفسیر خوشه های کشف شده را به صورت قابل فهم برای انسان نشان می دهد. در پایان نیز میزان دقت الگوریتم پیشنهادی بر روی چند مجموعه داده ریز آرایه توسط چند معیار درستی بررسی شده و با چند روش خوشه بندی فازی شناخته شده مقایسه گردیده است.

اساتید راهنما و مشاور

اقبال منصوری

پایان‌نامه‌های مشابه

اسناد مشابه

  • خوشه بندی داده های بیان ژنی توسط عدم تشابه جنگل تصادفی

    مقالهمجله علوم پزشکی رازیزهره فرهادی، کارشناس ارشد آمار، دانشگاه شاهرود، شاهرود، ایران داود شاهسونی، عضو هیات علمی گروه آمار، دانشگاه شاهرود، شاهرود، ایران

    زمینه و هدف: خوشه بندی داده های بیان ژنی در تشخیص و درمان سرطان، دارای اهمیت بسزایی است. مشخصه ی بارز این داده ها تعداد زیاد متغیرها (ژن ها) نسبت به تعداد داده ها (بیماران) است. بسیاری از روش های خوشه بندی بر پایه ی عدم تشابه داده ها که حاصل محاسبه ی یک تابع فاصله است‏، بنا شده ا

  • خوشه بندی داده های بیان ژنی و کاربرد آن در تحلیل افتراق انواع سرطان خون

    مقالهکومشمحسن واحدی، m. vahedi research center for gastroenterology and liver diseases, shaheed beheshti medical university, tehran, iran.دانشگاه علوم پزشکی شهید بهشتی، مرکز تحقیقات بیماری های گوارش و کبد حمید علوی مجد، h. alavi majd shaheed beheshti medical university, tehran, iran.دانشگاه علوم پزشکی شهید بهشتی، دانشکده پیرایزشکی یدا... محرابی، y. mehrabi shaheed beheshti medical university, tehran, iran.دانشگاه علوم پزشکی شهید بهشتی، دانشکده بهداشت بهار نقوی

    سابقه و هدف: یکی از شاخه های مهم بیوانفورماتیک فناوری ریزآرایه dna است که امکان بررسی بیان هزاران ژن را به طور هم زمان در حداقل زمان ممکن می سازد که در سال های اخیر موجب تولید حجم انبوهی از داده های بیان ژنی شده است. تحلیل آماری این داده ها شامل نرمال سازی، خوشه بندی، طبقه بندی و

  • خوشه بندی بارش ایران با استفاده از روشی نوین مبتنی برکاربرد نگاشت (SVD) و خوشه‌بندی فازی (FCM)

    مقاله۲۰۱۹آمایش جغرافیایی فضاهمت اله رورده، جمال قاسمی، یدالله یوسفی، زهره قاسمی

    هدف این تحقیق خوشه بندی بارش ایران به‌منظور شناخت تفاوتهای مکانی آن است. داده های روزانه بارش، رطوبت نسبی و دمای نقطه شبنم 63 ایستگاه کشور در بازه زمانی 1985 تا 2013 از سازمان هواشناسی کشور اخذ شد. این داده‌های خام با استفاده از روش نگاشت تجزیه به مقادیر منفرد (SVD) فشرده و کاهش

  • تعیین توصیفگرهای بهینه در خوشه بندی داده های لیدار با استفاده از الگوریتم ژنتیک

    مقالهمهندسی نقشه برداری و اطلاعات مکانیحیدر راستی ویس، h. rastiveis school of surveying and geospatial engineering,college of engineering, university of tehran,خ کارگر شمالی-پردیس دانشکده های فنی- دانشکده نقشه برداری گروه فتوگرامتری فرهاد صمدزادگان، f. samadzadegan school of surveying and geospatial engineering,college of engineering, university of tehran,خ کارگر شمالی-پردیس دانشکده های فنی- دانشکده نقشه برداری گروه فتوگرامتری

    در سال­های اخیر، تکنولوژی لیدار به عنوان یک تکنولوژی کارآمد در کسب اطلاعات سه­بعدی از زمین شناخته شده و هر روز بیش از پیش مورد توجه مهندسین و متخصصان مهندسی ژئوماتیک قرار می­گیرد. استخراج عوارض از داده­های لیدار به عنوان یکی از مسائل مهم در پردازش این اطلاعات به شمار می­آید. یکی

  • استفاده از تکنیک خوشه بندی سیستم کلونی مورچگان بهبود یافته با هدف خوشه بندی داده های زلزله ایران (یادداشت فنی)

    مقاله۲۰۱۱نشریه مهندسی صنایعبهروز مینائی، محمد فتحیان، احمدرضا جعفریان مقدم، مهدی نصیری

    تکنیک خوشه بندی از مهم ترین تکنیک های داده کاوی و شاخه ای از تحلیل آماری چند متغیره بوده و روشی برای گروه بندی داده های مشابه در خوشه های یکسان است. با بزرگ تر شدن بانک های داده ای، تلاش محققان برای یافتن روش های خوشه بندی کارا و مؤثر متمرکز شده است تا از این راه بتوانند زمینه تص

  • برآورد غلظت رسوب معلق روزانه با استفاده از شبکه عصبی مصنوعی و خوشه بندی داده ها به روش نگاشت خود سازمان ده (مطالعه موردی: ایستگاه هیدرومتری سیرا - رودخانه کرج)

    مقالهپژوهشنامه مدیریت حوزه آبخیزمحمودرضا طباطبایی، کریم سلیمانی، محمود حبیب نژاد روشن، عطااله کاویان

    امروزه برآورد دقیق بار رسوب معلق رودخانه ای از جنبه های مختلف مهندسی منابع آب، مسائل زیست­محیطی و کیفیت آب از اهمیت ویژه ای برخوردار است. در این راستا، مدل های هیدرولوژیکی حوزه، به­دلیل عوامل متعدد تاثیرگذار ثابت و متغیر، کارایی مناسبی در برآورد میزان رسوب معلق از خود نشان نداده