Naszym zadaniem jest rozpatrzenie związków między wierszami macierzy reprezentującej poziomy ekspresji poszczególnych genów.

Transkrypt

1 ANALIZA SKUPIEŃ Metoda k-means I. Cel zadania Zadaniem jest analiza zbioru danych, gdzie zmiennymi są poziomy ekspresji genów. Podczas badań pobrano próbki DNA od 36 różnych pacjentów z chorobą nowotworową. Dla każdej próbki zbadano ekspresję wybranych 2000 genów. Dane zestawione są w macierzy, w której każdy wiersz reprezentuje próbkę (podaje poziom ekspresji genów dla próbki),natomiast w kolumnach mamy ekspresję poszczególnych genów. Ekspresja każdego genu charakteryzowana jest przez liczbę rzeczywistą mierzącą poziom kwasu mrna obecnego w danym genie. Naszym zadaniem jest rozpatrzenie związków między wierszami macierzy reprezentującej poziomy ekspresji poszczególnych genów. Cel: Czy istnieją jakieś różnice pomiędzy nowotworami ze względu na poziom ekspresji genów, a jeśli tak to czy można je scharakteryzować. Wyodrębnić jednorodne grupy nowotworów podobnych. Grupowanie próbek, będzie odbywało się ze względu na poziomy ekspresji genów. Które z dostępnych nam zmiennych są najistotniejsze, które mają największy wpływ na uzyskany podział. Spróbujemy znaleźć te zmienne, po czy należy sprawdzić, czy dla danego wybranego podzbioru zmiennych mamy podobne wyniki, czyli ocenimy na ile dobry jest wybrany podzbiór predyktorów. Wszystkie zmienne w przykładzie mają wartości w zbiorze liczb rzeczywistych i mają taki sam potencjalny zakres wartości, dlatego omijamy normalizację zmiennych. II. Analiza danych Do przeprowadzenia analizy wybieramy Grupowanie metodą k-średnich z modułu Wielowymiarowe techniki eksploracyjne. Plan analizy: Analiza skupień na całości danych Wybór najlepszych predyktorów Analiza skupień dla wybranych predyktorów Wszystkie analizy należy przeprowadzić w przestrzeni roboczej STATISTICA Data Miner.

2 1. Analizę rozpoczynamy wybierając opcję Data Miner Wszystkie procedury z menu Statystyka- Data-Mining. 2. Pojawia się przestrzeń robocza

3 3. Za pomocą przycisku Źródło danych wybieramy dane wejściowe : CancerGen_part1 4. Następnie poprzez Przeglądarki węzłów wybieramy węzeł: Statistica - Grupowanie metodą k- średnich.

4 Budując projekt, w przeglądarce węzłów zaznaczamy odpowiedni węzeł i wstawiamy go do przestrzeni roboczej (przycisk Wstaw), łącząc go z odpowiednim arkuszem danych. Każdy węzeł można zmodyfikować, poprzez edycję parametrów. 5. Ustalamy zmienne, klikając na ikonkę

5 Zakres wyników wszystkie (analiza na całości danych) Wybieramy analizę po wierszach (analiza po próbkach) Wybór liczby skupień 3 zostawiamy domyślną wartość Wybór wstępnych centrów skupieni- wybieramy domyślna - sort distance Wybór odległości domyślnie w tej metodzie jest stosowana odległość euklidesowa Ile iteracji zostawiamy domyślną Po ustaleniu wszystkich parametrów klikamy uruchom. Wynikiem jest skoroszyt arkuszy zawierających: Elementy każdego skupienia do jakich skupień zakwalifikowane zostały poszczególne przypadki Średnie skupień Średnie dla każdego skupienia zestawione na jednym wykresie Statystyki opisowe dla wszystkich skupień Odległości euklidesowe miedzy skupieniami zestawione w macierzy odległości

6 Analiza wariancji kolejno dla każdej zmiennej, porównujemy ze sobą jej średnie we wszystkich segmentach, im istotniejsze różnice miedzy średnimi (mniejsza wartość p), tym dana zmienna bardziej różnicuje skupienia 7. Poszukiwanie najlepszych predyktorów. Kolejnym krokiem jest znalezienie zmiennych, które mają największy wpływ na uzyskany podział. Wynikiem poprzedniego węzła jest arkusz zawierający dane wejściowe oraz dodatkową kolumnę, wynikową segmentację. W wyborze zmiennych na powyższym rysunku są błędy. Zastanów się, którą zmienną zależną potrzebujemy oraz czy prawidłowo wybrane zostały rodzaje zmiennych.

7 Do powstałego arkusza należy dołączyć węzeł Dobór zmiennych i analiza przyczyn. W module data mining Features selection wybieramy Features selection and Causes Analysis 8. Edytujemy parametry i uruchamiamy.

8 Wynikiem jest skoroszyt zawierający najsilniejsze predyktory: 9. Arkusz wejściowy

9 Do którego dodajemy węzeł analiza k-średnich oraz ustalamy parametry tak w pierwszym przypadku. Po wyborze parametrów uruchamiamy. 10. Rezultatem jest arkusz zawierający nowy podział danych na skupiska. III. Opracowanie wyników Wynikami analizy są jednorodne skupienia, dzielące wejściowe dane ze względu na poziom ekspresji genów. 1. Znaleźć błędy w metodyce opisanej w niniejszym opracowaniu (tekst na czerwono), 2. Przedstawić wykres liczności każdego skupienia w przypadku analizy dla wszystkich zmiennych i dla 50 najlepszych predyktorów, 3. Wykres średnich dla każdego skupienia dla wszystkich zmiennych i dla 50 najlepszych predyktorów. Jaką informację przekazuje dany wykres, 4. Ocenić wpływ ograniczenia liczby zmiennych z 2000 do 50 na wcześniejszą segmentację.