nghiên cứu một số phương pháp phân cụm cho dữ liệu gene microarray

Kết quả của những thí nghiệm sử dụng công nghệ microarray này sẽ được đem phân tích ở mức thấp và cho ra một tập dữ liệu gọi là dữ liệu gene micrarray.. Trước khi phát triển công nghệ DN

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

Đỗ Thị Nương

NGHIÊN CỨU MỘT SỐ PHƯƠNG PHÁP PHÂN

CỤM CHO DỮ LIỆU GENE MICROARRAY

KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

Đỗ Thị Nương

NGHIÊN CỨU MỘT SỐ PHƯƠNG PHÁP PHÂN

CỤM CHO DỮ LIỆU GENE MICROARRAY

KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY

Ngành: Công nghệ thông tin

Cán bộ hướng dẫn: Ths Nguyễn Thị Hậu

HÀ NỘI-2010

Lời cảm ơn

Trước tiên, tôi muốn gửi lời cảm ơn sâu sắc đến cô Nguyễn Thị Hậu người đã

tận tình chỉ bảo tôi trong suốt quá trình thực hiện khóa luận

Tôi cũng xin chân thành cảm ơn các thấy cô giáo của trường Đại Học Công

Nghệ, những người đã tận tình chỉ bảo dạy dỗ và trang bị cho tôi những kiến thức quý

báu trong suốt 4 năm học trong trường

Tôi cũng muốn gửi lời cảm ơn tới những bạn trong lớp K51CD những người đã

đồng hành cùng tôi trong suốt những năm tháng ở giảng đường đại học Các bạn cũng

luôn động viên và giúp đỡ tôi rất nhiều trong thời gian tôi làm khóa luận

Cuối cùng, tôi cũng muốn gửi lời cảm ơn vô hạn đến gia đình và các bạn của tôi

những người luôn ở bên động viên tôi để tôi có thể hoàn thành tốt khóa luận này

Hà Nội, ngày 17 tháng 5 năm 2010

Sinh Viên

Đỗ Thị Nương

Tóm tắt nội dung

Dữ liệu microarrays là những bước đột phá mới nhất trong sinh học phân tử

Nó cho phép kiểm tra mô tả gene của khoảng mười nghìn gene đồng thời

Kết quả của những thí nghiệm sử dụng công nghệ microarray này sẽ được đem

phân tích ở mức thấp và cho ra một tập dữ liệu gọi là dữ liệu gene micrarray Dữ liệu

này sẽ được sử dụng cho việc phân tích mức cao hay còn gọi là phân tích cụm (Cluster

analysis) Phân cụm gene tức là nhóm những gene thành những cụm với những đặc

tính tương đồng Mới xuất hiện từ đầu những năm 1990 đến nay đã và đang có rất

nhiều phòng thí nghiệm, công trình khoa học nghiên cứu về vấn đề phân cụm cho dữ

liệu gene micoarray và vấn đề này ngày càng được quan tâm đầu tư nhiều hơn, bởi vì

những ứng dụng vô cùng to lớn của kết quả nghiên cứu vấn đề này trong nhiều lĩnh

vực như: y học là “chuẩn đoán và điều trị bệnh, khoa học môi trường là “ xác định vi

sinh vật” ”, nông nghiệp…

Khóa luận này sẽ giúp chúng ta tìm hiểu về một số phương pháp phân cụm cho

dữ liệu gene microarray bao gồm “Hierarchical”, “Kmeans”, “SOM”, “PAM” và

phương pháp phân cụm mới dựa trên khoảng cách “intra-cluster” Đánh giá ưu nhược

điểm của các phương pháp phân cụm này và cuối cùng là phát triển một chương trình

có chức năng “phân cụm”cho “dữ liệu microarray gene” mà sử dụng phương pháp

phân cụm “tối ưu hơn cả”

Mục lục

Lời cảm ơn i

Tóm tắt nội dung ii

Mục lục iii

Danh mục hình vẽ bảng biểu iv

Mở đầu 5

Chương 1: Giới thiệu bài toán phân cụm cho dữ liệu gene microarray 7

1.1 Bài toán phân cụm nói chung 7

1.1.1 Khái niệm 7

1.1.2 Các kiểu phân cụm khác nhau 7

1.1.3 Những loại cụm khác nhau 8

1.2 Phân cụm cho dữ liệu gene microarray 9

1.2.1 Giới thiệu công nghệ DNA microarray 9

1.2.2 Thí nghiệm microarray 9

1.3 Ứng dụng bài toán phân cụm cho dữ liệu gene microarray 13

Chương 2: Một số phương pháp phân cụm cho dữ liệu gene microarray 14

2.1 Cơ sở toán học 14

2.1.1 Biểu diễn dữ liệu gene microarraay 14

2.1.2 Vector mô tả 14

2.1.3 Ma trận mô tả gene 14

2.1.4 Khoảng cách hay sự tương đồng 15

2.2 Một số phương pháp phân cụm 17

2.2.1 Phân cụm Hierarchical 17

2.2.2 K-Means Clustering (KMC) 19

2.2.3 Self-Organizing Maps(SOMs) 20

2.2.4 Principal Components Analysis-(PCA) 21

2.3 Phương pháp phân cụm intra-cluster 22

Chương 3: Đề xuất hướng giải quyết của bài toán phân cụm cho dữ liệu gene microarray 24

3.1 Phương pháp phân cụm 24

3.1.1 Lý do chọn K-means 24

3.1.2 Lý do chọn “intra-cluster” 24

3.2 Một số phương pháp khắc phục nhược điểm của k-means 25

3.2.1 Lọc dữ liệu 25

3.2.2 K-medians 25

3.2.3 Xữ lý dữ liệu khuyết: 25

3.2.4 Tìm giải pháp tối ưu “toàn cục” 26

3.2.5 Việc xác định số cụm k 26

Chương 4: Phát triển ứng dụng cho bài toán phân cụm dữ liệu gene microarray 27

4.1 Các chức năng của ứng dụng 27

4.1.1.Mô hình tương tác giữa các module 27

4.1.2 Tải, Lưu file, lọc, điều chỉnh dữ liệu và xử lý dữ liệu khuyết 28

4.1.3 Phân cụm K-means 31

4.3 Định dạng dữ liệu vào, ra 32

4.3.1 Dữ liệu tải vào 32

4.3.2 Định dạng dữ liệu ra 33

4.4 Ngôn ngữ lập trình 33

4.4.1 Một số ưu điểm của ngôn ngữ lập trình Java 33

4.5 Môi trường phát triển ứng dụng 35

Chương 5: Thực nghiệm và đánh giá 36

5.1 Cài đặt ứng dụng “Gene Cluster” 36

5.1.1 Cài đặt ứng dụng 36

5.2.1 Mô tả các tập dữ liệu thực nghiệm 36

5.2.2 Thực nghiệm trên “Cluster 3.0” và “Gene Cluster” 37

5.3 Kết quả và đánh giá 38

5.3.1 Kết quả 38

5.3.2 Đánh giá 40

Tổng kết 42

Tài liệu tham khảo 43

Danh mục hình vẽ bảng biểu Hình 1: Thí nghiệm microarray 11

Hình 2: Minh họa việc tính dữ liệu mô tả gene .12

Hình 3: Ví dụ về vector mô tả gene trong log 14

Hình 4: Ví dụ về ma trận mô tả gene 15

Hình 5: Mô tả những phương pháp linkage khác nhau 19

Hình 6 : Sơ đồ DFD mô tả sự tương tác dữ liệu và chức năng 28

Hình 7: Giao diện cho menu của chương trình 29

Hình 8: Giao diện cho chức năng filter data 29

Hình 9: Giao diện minh hoa cho chức năng adjust data .30

Hình 10: Giao diên chức năng xử lý dữ liệu khuyết .31

Hình 11: Giao diện chính của chương trình phân cụm “Gene Cluster” 32

Hình 12 : Mô tả định dạng dữ liệu tải vào .32

Hình 13: Mô hình thực thi của một chương trình bằng Java .34

Hình 14: Hình ảnh phóng to của một số gene trong kết quả phân cụm K-means trên “Cluster 3.0” 39

Hình 15: Hình ảnh phóng to của một số gene trong kết quả phân cụm K-means trên “Gene Cluster” không sử dụng chức năng sử lý dữ liệu khuyết .39

Hình 15: Hình ảnh phóng to của một số gene trong kết quả phân cụm K-means trên “Gene Cluster” sử dụng chức năng sử lý dữ liệu khuyết .40

Hình 16: Kết quả thời gian chạy Kmeans trên “dataset1” 40

Mở đầu

Hầu hế những tế bào trong các cơ quan của sinh vật nhân thực-eukaryota đều

chứa những bổ xung đầy đủ của những gene mà tạo lên toàn bộ hệ gene của cơ quan

đó Những gene này được biểu hiện một cách chọn lọc trong mỗi tế bào phụ thuộc vào

từng loại tế bào, từng loại mô, và những điều kiện cả bên trong lẫn bên ngoài tế bào

Do sự phát triển của những kỹ thuật sinh học phân tử và tái tổ hợp gene mà đã đưa ra

một kết luận rằng những sự kiện quan trọng trong đời sống của một tế bào là được quy

định bởi những nhân tố mà làm thay đổi những miêu tả của các gene của chúng Vì

vậy việc hiểu mô tả của các gene đã trở thành lĩnh vực quan trọng trong việc nghiên

cứu sinh học hiện đại Hai câu hỏi chính đặt ra khi quản lý việc miêu tả của gene là:

Việc mô tả gene làm cách nào có thể phát hiện ra chức năng của tế bào và bệnh lý của

tế bào? Những câu hỏi này có thể được phân chia chi tiết như sau:

Mức độ mô tả của gene trong những tế bào và những trạng thái khác nhau thì

khác nhau như thế nào?

Những chức năng của các genes khác nhau là gì? Và những mô tả của những

gene này thay đổi như thể nào tương ứng với những thay đổi vật lý bên trong môi

trường của tế bào

Mô tả gene bị tác động bởi những loại bệnh như thế nào? Những gene nào quy

định tính di truyền của các bệnh

Những gene nào bị tác động trong quá trình điều trị bệnh

Những thay đổi của những giá trị mô tả gene là gì trong theo chuỗi thời gian tiến

hành thí nghiệm

Trước khi phát triển công nghệ DNA microarray đã có một số phương pháp được

sử dụng để phân tích những mẫu mô tả của những gene Tuy nhiên những phương

pháp này đều có hạn chế là chỉ thực hiện được trên một số ít các mẫu gene vì vậy

không đem lại hiệu quả cao

Khi có sự xuất hiện của công nghệ micoarray, nó đã đưa ra được bước chuyển

biến mạnh mẽ trong việc phân tích những mẫu mô tả của hàng chục nghìn gene một

cách nhanh chóng và hiệu quả Để có thể trả lời một cách chính xác và thỏa đáng

những câu hỏi trên thì bài toán đặt ra là “ tìm các phương pháp để phân cụm cho dữ

liệu gene microarray một cách hiệu quả”

Khóa luận này sẽ giúp tìm hiểu về một số phương pháp cụm cho phổ biến Tìm

ra những ưu nhược điểm của những phương pháp này và nghiên cứu những giải pháp

khắc phục những ưu nhược điểm đó

Ngoài phần MỞ ĐẦU và KẾT LUẬN, kết cấu của khoá luận bao gồm các

chương sau:

Chương 1: Giới thiệu bài toán phân cụm cho dữ liệu gene microarray

Giới thiệu về công nghệ DNA microarray, Thí nghiệm microarray và ứng dụng

Trình bày thí nghiệm sử dụng công nghệ DNA microarray sau đó là việc phân tích kết

quả của thí nghiệm này ở mức thấp và mức cao Đưa ra một ứng dụng cụ thể sử dụng

công nghệ này

Chương 2: Một số phương pháp phân cụm cho dữ liệu gene microarray

Tìm hiểu một số phương pháp phân cụm phổ biển Đánh giá những ưu nhược

điểm, tìm hiểu và đưa ra những hướng tiếp cận mới để khắc phục một số nhược điểm

của các phương pháp này Trình bày một ứng dụng thực tế của việc phân cụm cho dữ

liệu gene microarray

Chương 3: Hướng giải quyết của bài toán phân cụm cho dữ liệu gene

microarray

Chương này sẽ đưa ra phương pháp phân cụm được chọn để cài đặt và một số

phương pháp khắc phục nhược điểm của phương pháp này

Chương 4: Phát triển ứng dụng phân cụm cho dữ liệu gene microarray

Chương 5: “Thực nghiệm, đánh giá và kết luận”

Thực nghiệm trên phần mềm phân cụm trên một số tập dữ liệu và đánh giá kết

quả

Chương 1: Giới thiệu bài toán phân cụm cho dữ

liệu gene microarray 1.1 Bài toán phân cụm nói chung

Trước khi thảo luận việc phân cụm cho dữ liệu gene microarray ta sẽ đi tìm hiểu

về khái niệm phân cụm nói chung Đầu tiên, ta sẽ đi định nghĩa về phân tích cụm,

chứng minh vì sao nó khó và giải thích mối quan hệ của nó với các kỹ thuật nhóm dữ

liệu khác Sau đó chúng ta sẽ đi khai thác 2 chủ đề quan trọng: (1) những cách nhóm

một tập các đối tượng thành một tập những cụm và (2) những loại cụm

1.1.1 Khái niệm

Phân cụm là nhóm những đối tượng dựa trên thông tin mà tìm thấy trong dữ liệu

miêu tả đối tượng và những mối quan hệ của chúng Mục đích của việc phân cụm là để

đạt được những đối tượng trong cùng một cụm là giống nhau và khác với những đối

tượng của cụm khác Tính tương đồng trong một nhóm càng nhiều và sự khác nhau

giữa những nhóm càng lớn thì các cụm càng phân biệt nhau hơn.[12]

Việc đưa ra cụm tốt nhất còn phụ thuộc vào bản chất của dữ liệu và kết quả mong

muốn

Phân tích cụm là liên quan đến những kỹ thuật mà để phân chia những đối tượng

thành nhóm Ví dụ, phân cụm có thể được xem như là một dạng của phân lớp ở đó nó

tạo ra việc gán nhãn cho những đối tượng những cái nhãn lớp(cụm) Tuy nhiên nó dẫn

xuất những nhãn này chỉ từ dữ liệu của các đối tượng Trái lại, việc phân lớp còn được

xem như là phân lớp có quan sát; ví dụ, những đối tượng mới, chưa được gán nhãn sẽ

được gán cho một nhãn lớp sử dụng một mô hình được phát triển từ những đối tượng

mà đã biết trước nhãn lớp của chúng Vì lý do này phân cụm đôi khi được biết đến như

phân lớp không có quan sát

Cũng như vậy, trong khi những thuật ngữ phân mảnh và phân vùng đôi khi được

sử dụng với nghĩa tương tự như phân cụm, những thuật ngữ này thường được sử dụng

cho những tiếp cận bên ngoài phạm vi truyền thông của việc phân tích cụm Ví dụ,

việc phân vùng thường được sử dụng liên quan đến kỹ thuật phân chia những đồ thị

thành những đồ thị con và không liên quan nhiều đến việc phân cụm Phân mảnh

thường chỉ đến việc phân chia dữ liệu thành những nhóm sử dụng những kỹ thuật đơn

giản ví dụ những hình ảnh có được phân chia thành những mảnh chỉ dựa trên cường độ

điểm ảnh và mầu sắc hay con người có thể được chia thành những nhóm dựa trên thu

nhập của họ Tuy nhiên cũng có một vài công việc liên quan đên phân vùng đồ thị và

phân mảnh thị trường là liên quan đến phân cụm

1.1.2 Các kiểu phân cụm khác nhau

Trong phân trước tôi đã trình bày định nghĩa phân cụm, phần này sẽ trình bày về

các kiểu phân cụm khác nhau:

Phân cụm Cấu trúc với Phân vùng (Hierarchical vs Partitional) [12]

Kiểu phân cụm được thảo luận nhiều nhất trong số những kiểu phân cụm là tập

những cụm được “lồng nhau” hay “không lồng nhau” hay theo một thuật ngữ truyền

thống hơn là “cấu trúc” hay “phân vùng” Phân cụm phân vùng đơn giản là phân chia

tập những đối tượng dữ liệu thành những tập con (những cụm) không gối trồng lên

nhau như là mỗi đối tượng dữ liệu chỉ ở một tập con

Nếu chúng ta cho phép những cụm có những cụm con thì chúng ta sẽ thu được

phân cụm cấu trúc, chúng là một tập những cụm lồng nhau mà có thể được tổ chức

như một cây Mỗi nút (cụm-cluster) trên cây ngoại trừ nút lá là hợp của những con

(những cụm con) của nó, và gốc của cây là những cụm mà chứa tất cả những đối

tượng

Phân cụm mức đỉnh (exclusive), gối chồng (overlapping) và mờ (fuzzy)[12]

Phân cụm “mức đỉnh”: Gán mỗi đối tượng tới một cụm đơn

Có rất nhiều trường hợp mà một đối tướng có thể phù hợp cho nhiều hơn một

cụm, những trường hợp này được gọi là non-exclusive Theo một nghĩa chung nhất

overlapping hay non-exclusive thường được sử dụng để chỉ đến một đối tượng mà

đồng thời có thể thuộc nhiều hơn một cụm Phân cụm non-exclusive một đối tượng là

ở giữa 2 hay nhiều hơn cụm và có thể được gán cho bất kỳ cụm nào trong số những

cụm này

Trong phân cụm fuzzing mỗi đối tượng phụ thuộc vào mỗi cụm với ‘trọng số

thành viên ‘ nằm giữa 0 và 1 là 0 tức là tuyệt đối không phụ thuộc, 1 tức là tuyệt đối

phụ thuộc Theo nghĩa khác, những cụm này được xem như là những tập ‘mờ’ hay

fuzzy ( Theo toán học những tập mờ là tập mà một đối tượng phụ thuộc vào bất kỳ tập

nào với trọng lượng nằm giữa 0 và 1 Trong phân cụm mờ chúng ta thường cho thêm

ràng buộc tổng trọng lượng của mỗi đối tượng phải bằng 1 Trong thực tế, phân cụm

mờ thường được chuyển thành phân cụm mức đỉnh bằng việc gán mỗi đối tượng tới

cụm mà trọng lượng thành viên của nó là cao nhất

Phân cụm một phần với đầy đủ(complete vs patial)[12]: Việc phân cụm đầy đủ

gán mỗi đối tượng tới cụm còn phân cụm một phần thì không Động lực cho phân

cụm một phần là một vài đối tượng trong tập dữ liệu có thể không thuộc vào những

nhóm hoàn toàn xác định Tức là đôi khi những đối tượng trong tập dữ liệu có thể có

biểu diễn khác đi

1.1.3 Những loại cụm khác nhau

Mục tiêu của phân cụm là tìm ra những cụm hữu ích tức là phù hợp với mục đích

của việc phân tích dữ liệu Dưới đây sẽ trình bày một số loại cụm tuy nhiên nó cũng

chỉ hiệu quả cho một số loại dữ liệu

Phân chia rõ ràng (Well-Separated)[12] Cụm là một tập các đối tượng mà

những đối tượng trong cùng một cụm giống nhau hơn bất kỳ những đối tượng trong

cụm khác

Dựa trên mẫu(Prototype – Based)[12] Một cụm mà tập những đối tượng trong

đó mỗi đối tượng trong một cụm gần với “mẫu” của cụm đó hơn là gần với mẫu của

cụm khác Với dữ liệu có thuộc tính liên tục “mẫu” của cụm thường là “trọng tâm” hay

“centroid” của cụm, ví dụ, là trung bình của tất cả các điểm trong cụm Tuy nhiên một

vài trường hợp “trọng tâm” là không hợp lý như là khi dữ liệu có những thuộc tính

“xác thực” vì vậy mẫu thường là “medoid” là điểm đại diện nhất cho cụm Ví dụ trong

nhiều kiểu dữ liệu mẫu thường là điểm trung tâm nhất của cụm, ta gọi những loại cụm

này là “cụm dựa trên trung tâm” hay “center-based clusters” Những cụm dạng này

thường có hình cầu

Dựa trên đồ thị (Graph-Based)[12] Nếu dữ liệu được biểu diễn như một đồ thị

nơi mà những nút là những đối tượng và những liên kết biểu diễn những kết nối giữa

những đối tượng do vậy một cụm có thể được định nghĩa là một thành phần được kết

nối; ví dụ một nhóm những đối tượng mà được kết nối tới những đối tượng khác trong

nhóm nhưng không được kết nối tới những đối tượng khác nằm ngoài nhóm

Dựa trên mật độ (Desity-Based)[12] Một cụm là một miền đối tượng có mật độ

cao được bao quanh bởi miền đối tượng có mật độ thấp

Chia sẻ thuộc tính (Shared-Property)[12] Cụm là một tập những đối tượng mà

chia sẻ một vài thuộc tính chung những thuộc tính chung này được dẫn xuất từ toàn bộ

tập các điểm

1.2 Phân cụm cho dữ liệu gene microarray

1.2.1 Giới thiệu công nghệ DNA microarray

Khái niệm công nghệ DNA microaray

Công nghệ microarray là công nghệ “highthroughput” (“highthroughput là những

thí nghiệm sử dụng những phương pháp nghiên cứu về bộ di truyền, protein, quá trình

sao chép, chuyển hóa) để xác định những genes một loại tế bào hay 1 cơ quan Việc đo

mức độ mô tả của gene trong những điều kiện biến đổi cung cấp cho các nhà sinh học

hiểu rõ hơn về chức năng của gene và có những ứng dụng rộng rãi trong lĩnh vực khoa

học

Ví dụ, microarrays cho phép so sánh mô tả gene giữa những tế bào ung thư và tế

bào thường

Công nghệ này còn được biết với các tên như: DNA microarrays, DNA arrays,

DNA chips, và gene chips

1.2.2 Thí nghiệm microarray

Về cơ bản, thí nghiệm với microarray gồm 4 bước:

Chuẩn bị microarray

Chuẩn bị mẫu, tiến hành lai

Phân tích thông tin mức thấp

Phân tích dữ liệu mức cao

Bước 1: Chuẩn bị microarray

Có rất nhiều phương pháp để sản xuất microarray khác nhau Thông thường

những microarrays được chuẩn bị trên một tấm nền bằng kính, ni lông hoặc thạch anh

Bước quan trọng trong tiến trình này đó là việc lựa chọn những chuỗi DNA để đặt lên

tấm nền kình và kỹ thuật trộn những chuỗi DNA này lên trên tấm nền đã chuẩn bị tại

những “chấm” còn được gọi là những “spot”, mỗi chấm đại diện cho một gene nhất

định Đường kính của mỗi spot khoảng 80 µm đến 150 µm và mỗi mảng có khoảng

trên 80 000 spot.[13]

Trong kỹ thuật DNA array, người ta cố định các axit nucleic có trình tự xác định

(mẫu dò) trên giá thể (mảng) thích hợp theo thứ tự Kích thước vật lý các chiều của

mỗi mảng này là khoảng 1 inch thậm chí nhỏ hơn Axit nucleic cần nghiên cứu (đích)

được đánh dấu sau đó lai với mẫu dò trên mảng Ở những điều kiện lý tưởng, các axit

nucleic có trình tự bổ sung bắt cặp chính xác với nhau Hơn nữa dưới các điều kiện

này, cường độ phát hiện tín hiệu tỷ lệ trực tiếp với lượng mẫu dò nên có thể định lượng

các loại axit nucleic trong mẫu ban đầu [10] Những spot này được ấn định lên trên

microarray bằng robot với các kỹ thuật in “quang hoạt” hoặc in “kim”.[10]

Bước 2: Chuẩn bị mẫu, tiến hành lai

Trong khóa luận này ta sẽ nghiên cứu thí nghiệm microarray sử dụng mảng chứa

mẫu dò cDNA

Hầu hết những thí nghiệm microarray sử dụng mảng loại này đều so sánh mô tả

gene từ 2 mẫu, một mẫu gọi là mẫu “ đích” (hay mẫu thí nghiệm), mẫu kia gọi là mẫu

“điều kiển”

Những nhà nghiên cứu có cơ sở dữ liệu của trên 40,000 gene được sử dụng để

làm mẫu dò đặt lên trên các microarrays

Khi một gene được kích hoạt, máy tế bào bắt đầu sao một số đoạn nhất định của

gene đó Sản phẩm kết quả gọi là RNA thông tin mà là thành phần chính cho việc tạo

ra protein RNA thông tin này được tạo ra bởi tế bào bổ xung vì vậy nó sẽ được lai với

phần gốc của DNA mà nó được sao từ DNA này

Để xác định gene nào “được bật” gene nào “bị tắt” trong một tế bào cho trước,

đầu tiên, người nghiên cứu phải thu thập những phân tử RNA thông tin có mặt trong tế

bào đó Sau đó người nghiên cứu sẽ gán nhãn chó mỗi RNA thông tin bằng thuốc

nhuộm huỳnh quang thường sử dụng thuốc nhuộm huỳnh quang Cy3 và Cy5 RNA

thông tin mà có mặt trong tế bào này , sau đó sẽ được lai với những DNA bổ xung của

nó trên microarray [15] Xem hình 2 Sau khi thực hiện việc lai hóa một số mRNA có

thể được bao trong một spot khi nó tạo thành những cặp cơ sở (base pair) với cDNA

trên microarray Một số không được bao trong spot

Hình 1: Thí nghiệm microarray

Bước 3: Phân tích dữ liệu mức thấp-Quá trình lượng hóa hình ảnh

Sau quá trình lai hoá, nhà nghiên cứu gạt đi những mRNA không được bao trong

một spot phải sử dụng một máy quét đặc biệt để dò tìm những mRNA nào được bao

trong một spot bằng cách đo tỉ lệ huỳnh quang trên microarray Điều này thực hiện

được là do thuốc nhuộm huỳnh quang được gán cho mỗi mRNA giúp cho số lượng

mẫu được bao trong một spot được đo bởi mức độ huỳnh quang phát ra khi được kích

thích bởi máy laser.[15]

Kết quả của thí nghiệm microarray được biểu diễn như một vector, mỗi thành

phần là một spot Giá trị của 1 thành phần của vector là tỉ lệ của “độ dư” RNA thông

tin được đánh giá trong 2 mẫu Với mỗi spot cho trước, nếu RNA thông tin từ mẫu mà

được gán nhãn sử dụng Cy3 có “độ dư” thì spot đó sẽ chuyển thành mầu xanh Nếu

RNA thông tin từ mẫu mà được gán nhãn sử dụng Cy5 có “độ dư” thì spot đó sẽ

chuyển thành mầu đỏ Nếu cả hai mẫu có “độ dư” bằng nhau thì spot sẽ chuyển thành

màu vàng Nếu không có mẫu nào biểu hiện thì spot sẽ có màu đen Dữ liệu hình ảnh

thu được này được gọi là dữ liệu thô Để đạt được thông tin về mức độ mô tả gene thì

dữ liệu hình ảnh này cần phải được phân tích bao gồm: xác định mỗi spot trên mảng

sau đó đo và so sánh cường độ của mỗi spot với giá mang Đây chính là quá trình

lượng hóa hình ảnh Sau quá trình lượng hóa hình ảnh ta thu được dữ liệu mô tả gene

Low-level analysis

microarray gene data High-level analysis

Cy5 Cy3

radio

Kết quả của quá trình lượng hóa hình ảnh ta thu được tập dữ liệu được gọi là dữ liệu

gene microarray

Hình 2: Minh họa việc tính dữ liệu mô tả gene

Đã có rất nhiều phần mềm chuyên dụng được sử dụng cho mục đích này như:

ScanAlyze (Eisen 1999), GenePix (Axon 1999), ScanArray Express (GSI 1999).[7]

Bước 4: Phân tích dữ liệu mức cao

Phân tích các tập dữ gene microarray lớn là một lĩnh vực mới mà cũng có một

vài thách thức hay khóa khăn riêng của nó Những cách tiếp cận khai phá dữ liệu

thông thường được chia làm 2 loại: “supervised” và “unsupervised”

Phân tích có giám sát (supervised)

Phân tích “supervised” sử dụng những thông tin thêm vào Phân tích

“supervised” bao gồm việc chọn từ toàn bộ tập dữ liệu một tập ‘thử’ và một tập ‘kiểm

tra’ và cũng bao gồm chỉ thị của những bộ phân loại, những chỉ thị này sẽ gán những

mô tả gene cho những lớp đã được định nghĩa trước Khi bộ phân loại đã thử trên tập

‘thử’ và đã kiểm tra trên tập ‘kiểm tra’, sau đó nó có thể được áp dụng cho dữ liệu

chưa được phân loại.[13]

Phân tích không có giám sát (unsupervised)

Việc phân tích theo cách này là phù hợp khi không có tri thức trước về dữ liệu

Tiếp cận duy nhất có thể là để nghiên cứu sự tương đồng giữa những mẫu hay những

thí nghiệm khác nhau Quá trình phân tích này được gọi là học không giám

sát-unsupervised learning vì không có câu trả lời mong muốn được biết cho bất kì gene

hay thí nghiệm nào Quá trình phân tích chỉ nhóm những thực thể giống nhau cùng

nhau Việc phân tích có thể được làm trên gene, các điểm thời gian, các mẫu, trong các

chuỗi thời gian Giải thuật phân cụm sẽ xem tất cả dữ liệu đầu vào nhưg là tập n số hay

vector n-chiều.[14]

Các phương pháp phân cụm Hierarchical, K-means, SOM là ví dụ điển hình của

việc phân tích dữ liệu gene microarray sử dụng cách tiếp cận phân cụm

“unsupervised”

Vậy phân cụm cho dữ liệu gene microarray chính là phân tích “unsupervised”

Việc phân cụm này sẽ nhóm những gene hay những thí nghiệm có mô tả tương đồng

cùng nhau

1.3 Ứng dụng bài toán phân cụm cho dữ liệu gene microarray

Bài toán phân cụm cho dữ liệu gene microarray có rất nhiều ứng dụng trong

nhiều lĩnh vực của đời sống như: y học, sinh học, nông nghiệp, môi trường…

Việc phân cụm cho dữ liệu gene microarray giúp cho việc nhóm những gene

dưới những điều kiện hay ở những mẫu khác nhau mà có “mô tả tương đồng” vào

thành một nhóm Điều này có ứng dụng quan trong trong y học đó là phân biệt các tế

bào với nhau (tế bào bệnh với tế bào thường) Một ví dụ điển hình cho ứng dụng này là

việc phân biệt những loại ung thư vú Sử dụng việc phân tích dữ liệu microarray gene

các nhà nghiên cứu có thể phân biệt được khối ung thư vú gây ra tính di truyền của

bệnh và những khối ung thư vú mà không gây ra tính di truyền của bệnh

Ngoài ra, Với việc phân cụm cho dữ liệu microarray gene còn giúp các nhà

nghiên cứu phát hiện ra những gene mới là những gene mà thường không thuộc vào

cụm nào trong số các gene thí nghiệm đây là một phát hiện rất quan trọng trong sinh

học

Chương 2: Một số phương pháp phân cụm cho

dữ liệu gene microarray

Chương này trình bày về các phương pháp hay các giải thuật phân cụm sử dụng

các tiếp cận phân cụm không có giám sát (unsupervised) Các phương pháp phân cụm

sẽ được trình bày đó là: Hierarchical, K-means, SOM, PAM và một phương pháp phân

cụm mới dựa trên khoảng cách “intra-cluster” Trước tiên ta sẽ đi được giới thiệu về

cơ sở toán học để nghiên cứu các phương pháp phân cụm này

2.1 Cơ sở toán học

2.1.1 Biểu diễn dữ liệu gene microarraay

Dữ liệu mô tả gene thường được biểu diễn dưới dạng số thập phân

Giá trị của dữ liệu mô tả gene có thể được biểu diễn thông qua logarit cơ số 2 của

giá trị đó

Lợi thế: Những mô tả trong logarit –log là dễ làm việc hơn những mô tả chính

quy

2.1.2 Vector mô tả

Mô tả của 1 gene có thể được biểu diễn thông qua hàng loạt những thí nghiệm

khác nhau Dãy những giá trị này được biến đến là vector mô tả gene.[2]

Hình 3: Ví dụ về vector mô tả gene trong log

2.1.3 Ma trận mô tả gene

Do chúng ta có thể nghiên cứu hàng nghìn gene trong hàng loạt những thí

nghiệm ở những điều kiện khác nhau Kết quả là dữ liệu gene microarray tạo ra có thể

được biểu diễn như ma trận mô tả gene.[2]

Hình 4: Ví dụ về ma trận mô tả gene

2.1.4 Khoảng cách hay sự tương đồng

Khi ta thực hiện phân cụm cho những thực thể biểu diễn trong tập dữ liệu gene

microarray tức là nhóm những thực thể mà tương đồng lại với nhau vì vậy chúng ta

cần đo tính tương đồng hay ngược lại là đo khoảng cách của các thực thể đó Tức là ta

sẽ cần đo khoảng cách của các vector mô tả của các thực thể đó

Việc phân cụm sẽ phụ thuộc vào ma trận khoảng cách được lựa chọn

cách giữa 2 vector mô tả gene

Khoảng cách dựa trên tương quan Pearson[8]

Ma trận tương đồng được sử dụng phổ biến nhất là dựa trên tương quan Pearson

Tương quan Pearson giữa hai tập dữ liệu X={x1, x2,…, xn} và Y={y1, y2,…, yn} được

định nghĩa là:

Với x tb là giá trung bình của những giá trị x, và σx là độ lệch chuẩn của những

giá trị này Công thức này được sử dụng nếu bạn lựa chọn tùy trọn

Correlation(Centered) trong Cluster Nếu bạn lựa chọn tùy trọn

Correlation(Uncentered) thì công thức sau được sử dụng:

Khoảng cách

Tính tương đồng

Trong trường hợp này ta giả định mean của các x là 0

Cluster còn cung cấp 2 ma trận tương đồng là trị tuyệt đối của 2 hàm tương quan

trong 2 công thức trên là Absolute Correlation(Centered) và Absolute

Correlation(Uncentered) 2 ma trận này xem 2 đối tượng có những mẫu mô tả đối lập

nhau là giống nhau; Hệ số tương quan Pearson xem những gene đối lập nhau là rất

cách xa nhau

Đo khoảng cách Non-parametric[8]

Spearman rank correlation và Kendall’s τ là 2 ma trận mà dựa trên hệ số tương

quan của Pearson

Spearman rank correlation áp dụng trên 2 vector dữ liệu mà là hạng của những

giá trị dữ liệu trong 2 vector này

Ví dụ: cho 2 vector:

x={2.3, 6.7 4.5, 20.8} và y={2.1, 5.9, 4.4, 4.2} ta tính được r=0.2344

ta sẽ tính trên tập các hạng của 2 vector này là:

x={1, 3,2, 4} và y={1,4,3,2} thì ta tính được rspearman=0.4

Tương quan Spearman được sử dụng như một thống kê kiểm tra cho sự độc lập

giữa x và y

Kendall’s τ thì sử dụng quan hệ về thứ tự của x và y để tính sự tương quan Nó

xem xét 2 vector dữ liệu (2 gene) như cặp những điểm (xi, yi) và (xj, yj) và chúng ta

Từ bảng ta tính được số cặp phù hợp nc=4 và số cặp không phù hợp nd=2

Từ đó ta tính Kendall’s τ theo công thức: τ=2(nc- nd )/ n(n-1) trong trường hợp

này τ=0.33 Chúng ta cũng có thể sử dụng tương quan Kendall’s để kiểm tra sự độc

lập giữa x và y

Đo khoảng cách dựa trên khoảng cách Euclidean[8]

Theo công thức:

Khoảng cách City-block hay Manhattan[8]

Là giống với khoảng cách Euclidean khoảng cách d được tính theo công thức:

Chú ý:

Với những dữ liệu x, y có giá trị missing value thì ta bỏ qua những giá trị này và

chỉ tính hệ sô tương quan trên những giá trị có nghĩa

Tính toán ma trận khoảng cách là bước đầu tiên trong phân cụm hierachical với

những ma trận tương quan thì khoảng cách d=1.0-corelation(hệ số tương quan) Việc

tính toán này sẽ tốn thời gian ngoại trừ phân cụm single-linkage hierarchical vì có giải

thuật với độ phức tạp tuyến tính

2.2 Một số phương pháp phân cụm

Khóa luận này sẽ giới thiệu 4 phương pháp phân cụm truyền thống là: phân cụm

hierarchical, phân cụm K-means, SOM, và PAM

2.2.1 Phân cụm Hierarchical

Là phương pháp phân cụm “ tích tụ” (agglomerative) nối những gene giống nhau

vào cùng một nhóm Tiến trình lặp tiếp tục với việc nối những nhóm kết quả dựa trên

tính tương đồng của chúng cho đến khi các nhóm được được kết nối trong một cây cấu

trúc.[2]

Giải thuật:

o Bước 1: Tính khoảng cách giữa các gene tạo thành ma trận khoảng cách

(distance matrix) Tìm những khoảng cách nhỏ nhất Nếu có một vài cặp có tính

tương đồng như nhau, sử dụng quy tắc được xác định trước để quyết định lựa

chọn cái nào

o Bước 2: Hợp nhất 2 cụm được lựa chọn để tạo ra những cụm mới mà ban

đầu chứa ít nhất 2 đối tượng Tính toán khoảng cách của tất cả những cụm mới

và những cụm khác

o Bước 3: Lặp lại bước 1 và 2 cho đến khi chỉ còn một cụm

o Bước 4: Vẽ một cây trình diễn kết quả

o Bước 5: Trong khi khởi tạo cấu trúc, ta phải quyết định những cụm nào

lên được nối Khoảng cách hay tính tương đồng giữa những cụm phải được

tính Những quy tắc mà quản lý việc tính toán này là những phương pháp liên

kết-Linkage Methods

Có 4 phương pháp liên kết phổ biến là:[8]

Centroid Linkage

Một vector được gán cho mỗi đối tượng giả (hay mỗi cụm-bao gồm một hay

nhiều đối tượng thật ) vector này sẽ được sử dụng để tính toán khoảng cách của đối

tượng giả này với tất cả những đối tượng còn lại hoặc đối tượng giả sử dụng ma trận

tương đồng được sử dụng để tính toán ma trận tương đồng ban đầu Vector này là

trung bình của tất cả những vector của những đối tượng thực sự (đối tượng ở đây là

gene hay arrays) chứa trong đối tượng giả Trong phương pháp này việc tính trung

bình của những vector bên trong sẽ bỏ qua những giá trị missing values, vì vậy vector

của đối tượng giả chỉ chứa missing value nêu tất cả những đối tượng trong nó chứa giá

trị missing value ở cột hay hàng tương ứng

Single Linkage: Khoảng cách giữa 2 đối tượng(cụm) x, y là khoảng cách nhỏ

nhất giữa những phần tử của x với những phần tử của y

Ví dụ: xét 2 tập đối tượng x bao gồm các phần tử xi i=1-n, y bao gồm các phần tử

ỵ j=1-m thì:

Dxy=min(d(xi,yj)) for all i = 1 to n and j = 1 to m

Average Linkage: Khoảng cách giữa 2 đối tượng x, y là khoảng cách trung bình

giữa những phần tử của x với những phần tử của y

DAB = 1/(nm) ∑∑( d(xi, yi) ) for all i = 1 to n and j = 1 to m

Complete Linkage: Khoảng cách giữa 2 đối tượng x, y là khoảng cách lớn nhất

giữa những phần tử của x với những phần tử của y

Ví dụ: xét 2 tập đối tượng x bao gồm các phần tử xi i=1-n, y bao gồm các phần tử

ỵ j=1-m thì:

Dxy=max(d(xi,yj)) for all i = 1 to n and j = 1 to m

Hình 5: Mô tả những phương pháp linkage khác nhau

Kết luận:

Việc lựa chọn những phương pháp linkage nào để phân cụm có ảnh hưởng lớn

đến độ phức tạp và hiệu năng của việc phân cụm Single hay complete linkage yêu cầu

ít tính toán hơn Tuy nhiên single linkage thường tạo ra những cụm trải dài trông

không đẹp mắt Centroid và average linkage tạo ra những kết quả mà sự phù hợp về

những cụm được tạo ra và biểu diễn cấu trúc của dữ liệu phù hợp hơn Tuy nhiên

những phương pháp này lại yêu cầu tính toán phức tạp hơn Dựa trên kinh nghiệm

trước nay, thì average và complete linkage là những phương pháp linkage được ưa

chuộng hơn cả cho việc phân tích dữ liệu gene microarray

Ưu nhược điểm của giải thuật phân cụm Hierarchical

o Kết quả phân cụm trực quan do được biểu diễn dưới dạng cây

o Không cần xác định tham số đầu vào (ví dụ số cụm như trong K-means)

Nhược điểm

o Không hiệu quả với tập dữ liệu lớn

o Không làm việc tốt với tập dữ liệu có dữ liệu khuyết

o Nhậy cảm với những “điểm kỳ dị” hay “outlier”

2.2.2 K-Means Clustering (KMC)

Giải thuật này là giải thuật đươc sử dụng rộng rãi bởi vì việc cài đặt của giải

thuật này khá đơn giản Giải thuật này yêu cầu đầu vào là số cụm k cận được định

trước bởi người dùng.[2]

Giải thuật :

o Bước 1: Xác định trước số cụm k- number of clusters(k)

o Bước 2: Gán ngẫu nhiên các gene tới những cụm này

o Bước 3: Tính toán mean or median của những cụm khởi tạo

o Bước 4: Lựa chọn một gene và di chuyển nó tới cụm mà giá trị của gene gần

với mean của cụm đó nhất

o Bước 5: Nếu gene được di chuyển sang cụm mới, tính toán lại mean cho các

cụm

o Bước 6: Lặp lại bước 4,5 cho tới khi các gene không thể di chuyển được nữa

hay số bước lặp được xác định trước bởi người sử dụng(number of runs) đã

hết

Chú ý k-means

o k-means là tính mean của các đối tượng trong một cụm Mean là trung bình

trên tất cả các đối tượng trên một cụm cho mỗi chiều phân biệt

o Có một đề nghị rằng: Khi ta lựa chọn k-means ta lên sử dụng khoảng cách

Euclidean Là do sử dụng khoảng cách Euclidean sẽ có độ phức tạp tính

toán thấp giúp cho K-means có thể áp dụng tốt cho những tập dữ liệu lớn

Ưu nhược điểm của giải thuật phân cụm K-means

o Giải thuật phân cụm K-means là một trong những giải thuật đơn giản

nhất và nhanh nhất

o Làm việc tốt với cả tập dữ liệu lớn

Nhược điểm

o Kết quả của giải thuật phân cụm k-means có thể thay đổi theo các lần

chạy bởi vì việc khởi tạo những cụm ban đầu là ngẫu nhiên Kết quả là

những người nghiên cứu phải đánh giá chất lượng của những kiểu cụm

đạt được Vì vậy mà phương pháp này thường kết thúc ở giải pháp tối ưu

“cục bộ”

o Số cụm k phải được xác định trước bởi người dùng

o Nhậy cảm với những “điểm kỳ dị” (“outliers”) (outliers là những điểm

mà không phụ thuộc vào cụm nào) những outlier này có thể bóp méo

centroid của cụm và phá hủy việc phân cụm

o Giải thuật làm việc không hiệu quả với những tập dữ liệu có “dữ liệu

khuyết” hay “missing value”

2.2.3 Self-Organizing Maps(SOMs)

Giải thuật này phân các đối tượng thành k cụm (k do người dùng chọn) mỗi cụm

(gồm nhiều gene) được xem như các node được sắp xếp trong lưới 2 chiều Mỗi node

o Di chuyển những nodes về phía x, những nodes mà gần x nhất

o Giảm số lần di chuyển qua số lần lặp(số lần lặp thường là một tham số

mà người dùng xác định khi sử dụng ứng dụng của giải thuật)

Ưu nhược điểm của giải thuật phân cụm SOM

o Ổn định với cả tập dữ liệu lớn

Nhược điểm:

o Thời gian chay chậm hơn K-means

o Phải xác định trước 2 tham số của “lưới”

o Không làm việc tốt với tập dữ liệu có dữ liệu khuyết (missing data)

2.2.4 Principal Components Analysis-(PCA)

Được so sánh với giải thuật kmeans, PAM có những đặc tính sau:

Nó hoạt động dựa trên ma trận không tương đồng của tập dữ liệu cho trước

Nó tối giản tổng khoảng cách không tương đồng thay vì tổng khoảng cách

Euclidean

Nó cung cấp một hiển thị đồ họa, cho phép người dùng chọn số những cụm tối

ưu

Giải thuật PAM đầu tiên tính k đối tượng đại diện, được gọi là các medoids Một

medoid được định nghĩa là đối tượng của một cụm, mà tính không tương đồng trung

bình của nó tới các đối tượng trong cụm là nhỏ nhất Sau khi tìm được tập các

medoids, mỗi đối tượng của tập dữ liệu được gán tới medoid gần nhất Ví dụ, đối

tượng i được đặt vào cụm v khi medoid mi gần hơn bất kỳ medoid mw khác: d(i, mi)<=

d(i, mw) với w=1,…,k

Những đối tượng đại diện cần làm nhỏ nhất “hàm mục tiêu”, hàm đối tượng là

tổng khoảng cách không tương đồng của tất cả những đối tượng tới medoid gần nhất

của chúng

Giải thuật:

Bước khởi tạo: Bước này lựa chọn tuần tự những đối tượng đại diện, được dùng

như những medoids ban đầu

Bước tráo đổi: Nếu “hàm mục tiêu” có thể giảm bằng việc tráo đổi một đối tượng

được lựa chọn với một đối tượng không được lựa chọn, thì việc tráo đổi được thực

hiện Việc làm này tiếp tục cho tới khi “hàm mục tiêu” không thể giảm được nữa

Ưu nhược điểm của thuật phân cụm PAM

Ưu điểm :

o PAM là hiệu quả cho việc phân tích những tập dữ liệu có nhiều biến đổi

hay dữ liệu có nhiều “điểm kỳ dị”

Nhược điểm :