R/BHC: fast Bayesian hierarchical clustering for microarray data.
R/BHC: fast Bayesian hierarchical clustering for microarray data.
复制标题
DOI：
10.1186/1471-2105-10-242
复制
发表时间：
2009-08-06
影响因子：
3
通讯作者：
Wild DL
中科院分区：
文献类型：
--
作者：
Savage RS;Heller K;Xu Y;Ghahramani Z;Truman WM;Grant M;Denby KJ;Wild DL
虽然聚类方法的使用已经迅速成为微阵列基因表达数据分析文献中的标准计算方法之一，但得到的结果中的不确定性很少被关注。我们提出了一种新的贝叶斯凝聚层次聚类快速算法的R/BioConductor端口，并将其用于基因表达微阵列数据的聚类。该方法执行自下而上的分层聚类，使用狄利克莱过程(无限混合)来对数据中的不确定性进行建模，并在每个步骤使用贝叶斯模型选择来决定合并哪些聚类。生物学上可信的结果来自一个经过充分研究的数据集：在各种生物和非生物胁迫下，拟南芥的表达谱。我们的方法避免了传统方法的一些局限性，例如应该有多少个簇以及如何选择一个原则性的距离度量。
Although the use of clustering methods has rapidly become one of the standard computational approaches in the literature of microarray gene expression data analysis, little attention has been paid to uncertainty in the results obtained. We present an R/Bioconductor port of a fast novel algorithm for Bayesian agglomerative hierarchical clustering and demonstrate its use in clustering gene expression microarray data. The method performs bottom-up hierarchical clustering, using a Dirichlet Process (infinite mixture) to model uncertainty in the data and Bayesian model selection to decide at each step which clusters to merge. Biologically plausible results are presented from a well studied data set: expression profiles of A. thaliana subjected to a variety of biotic and abiotic stresses. Our method avoids several limitations of traditional methods, for example how many clusters there should be and how to choose a principled distance metric.
登录
查看更多内容
影响因子：
11.4
作者：
de Torres-Zabala, Marta;Truman, William;Grant, Murray
通讯作者：
Grant, Murray
影响因子：
3.7
作者：
RAND, WM
通讯作者：
RAND, WM
DOI：
10.1198/016214505000000187
发表时间：
2006-03-01
影响因子：
3.7
作者：
Heard, NA;Holmes, CC;Stephens, DA
通讯作者：
Stephens, DA
影响因子：
3
作者：
Levenstien MA;Yang Y;Ott J
通讯作者：
Ott J
影响因子：
5.8
作者：
Falcon, S.;Gentleman, R.
通讯作者：
Gentleman, R.