Agrupando genes em um experimento ao longo do tempo

Vi algumas consultas sobre agrupamentos em séries temporais e especificamente sobre agrupamentos, mas não acho que elas respondam à minha pergunta.

Antecedentes: Quero agrupar genes em um experimento de levedura. Há quatro pontos de tempo dizer: t1 t2 t3 e t4 e número total de genes G . Eu tenho os dados em forma de uma matriz M na qual as colunas representam os tratamentos (ou pontos no tempo) t1 t2 t3 e t4 e as linhas representam os genes. Portanto, M é uma matriz Gx4.

Problema: eu quero agrupar os genes que se comportam da mesma forma em todos os pontos de tempo t1 t2 t3 e t4 , bem como dentro de um ponto de tempo específico ti , em que eu estou em {1, 2, 3, 4} (caso não possamos fazer ambos os agrupamentos, o agrupamento dentro de um ponto no tempo é mais importante do que o agrupamento entre os pontos no tempo). Além disso, também quero desenhar um mapa de calor.

Minha solução: Eu uso o código R abaixo para obter um mapa de calor, bem como os clusters usando a hclustfunção em R (executa cluster hierárquico com distância euclidiana)

    row.scaled.expr <- (expr.diff - rowMeans(expr.diff)) / rowSds(expr.diff)

    breaks.expr <- c(quantile(row.scaled.expr[row.scaled.expr < 0],
                               seq(0,1,length=10)[-9]), 0,
                               quantile(row.scaled.expr[row.scaled.expr > 0],
                               seq(0,1,length=10))[-1] )


    blue.red.expr <- maPalette(low = "blue", high = "red", mid = "white",
                     k=length(breaks.expr) - 1)

    pdf("images/clust.pdf",
         height=30,width=20,pointsize=20)
    ht1 <- heatmap.2(row.scaled.expr, col = blue.red.expr, Colv = FALSE, key = FALSE, 
      dendrogram = "row", scale = "none", trace = "none",
      cex=1.5, cexRow=1, cexCol=2,
      density.info = "none", breaks = breaks.expr, 
      labCol = colnames(row.scaled.expr),
      labRow="",
      lmat=rbind( c(0, 3), c(2,1), c(0,4) ), lhei=c(0.25, 4, 0.25 ),
      main=expression("Heat Map"),
      ylab="Genes in the Microarray",
      xlab="Treatments"
      )
    dev.off()

Eu descobri recentemente um hopachpacote no Bioconductor que pode ser usado para estimar o número de clusters. Anteriormente, eu estava atribuindo aleatoriamente o número de caixas para o mapa de calor e cortando a árvore a uma altura apropriada para obter um número pré-especificado de clusters.

Possíveis problemas na minha solução:

1. Posso não estar agrupando os genes em um tratamento específico e agrupando genes apenas entre tratamentos ou vice-versa.
2. Pode haver melhores maneiras de obter um mapa de calor para o padrão que eu quero ver (genes semelhantes em um tratamento e entre tratamentos).
3. Pode haver melhores métodos de visualização dos quais eu não conheço.

Nota:

1. csgillespie (moderador) possui um documento mais geral em seu site, no qual ele discute todos os aspectos da análise do curso do tempo (incluindo mapas de calor e agrupamento). Eu gostaria que você pudesse me indicar artigos que descrevem mapas de calor e agrupamentos em detalhes.

2. Eu tentei o pvclustpacote, mas ele reclama que M é singular e depois falha.

Parece que você só quer fazer uma análise padrão justa, por isso não sou a melhor pessoa para responder à sua pergunta; no entanto, sugiro que você mergulhe mais fundo no biocondutor; tem muitas coisas úteis, mas achar o que você quer é doloroso. Por exemplo, o pacote Mfuzz parece promissor.

Em complemento à resposta do @ mbq ( Mfuzzparece ótimo), vou colocar algumas referências (PDFs) sobre o agrupamento de dados de expressão gênica no decorrer do tempo:

1. Futschik, ME e Charlisle, B (2005). Agrupamento robusto e com ruído de dados de tempo de expressão de genes . Jornal de Bioinformática e Biologia Computacional , 3 (4) , 965-988.
2. Luan, Y e Li, H (2003). Agrupamento de dados de expressão gênica no curso do tempo usando um modelo de efeitos mistos com B-splines . Bioinformtics , 19 (4) , 474-482.
3. Tai YC e Speed, TP (2006). Uma estatística empírica multivariada de Bayes para dados replicados de tempo de microarray . The Annals of Statistics , 34 , 2387-2412.
4. Schliep, A, Steinhoff, C e Schönhuth, A (2004). Inferência robusta de grupos em cursos de expressão gênica utilizando misturas de HMMs . Bioinformática , 20 (1) , i283-i228.
5. Costa, IG, de Carvalho, F e de Souto, MCP (2004). Análise comparativa de métodos de agrupamento para dados de tempo de expressão de genes . Genetics and Molecular Biology , 27 (4) , 623-631.
6. Inoue, LYT, Neira, M, Nelson, C, Gleave, M e Etzioni, R (2006). Modelo de rede baseado em cluster para dados de expressão gênica no decorrer do tempo . Bioestatística , 8 (3) , 507-525.
7. Phang, TL, Neville, MC, Rudolph, M e Hunter, L (2003). Clustering de Trajetória: Um Método Não Paramétrico para Agrupar Cursos Temporais de Expressão Gênica com Aplicações ao Desenvolvimento Mamário . Pacific Symposium on Biocomputing , 8 , 351-362.

Você experimentou o timecoursepacote (como sugerido por @csgillespie no folheto )?

Apenas para adicionar às outras respostas (que parecem resolver o problema), você tentou usar algoritmos de cluster padrão para seus dados ao construir seu dendrograma? Por exemplo,

heatmap.2(dataset, <standard args>,
          hclustfun = function(c){hclust(c, method= 'average')}
          )

Em vez de usar a distância média para agrupar, você também pode usar "ala", "única", "mediana", ... Veja ?hclustpara obter uma lista completa.

Para extrair clusters, use o hclustcomando diretamente e, em seguida, use o cutreecomando Por exemplo,

hc = hclust(dataset)
cutree(hc)

Mais detalhes podem ser encontrados na minha página da web .