15.7: Qué hemos aprendido, Bibliografía
- Page ID
- 54990
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)
Para resumir, en este capítulo hemos visto que:
- En clustering, identificamos estructura en datos no etiquetados. Por ejemplo, podríamos usar clustering para identificar grupos de genes que muestran perfiles de expresión similares.
- — Algoritmos de agrupación de particiones, construyen clústeres no superpuestos de manera que cada elemento se asigna exactamente a un clúster. Ejemplo: k-means
- — Los algoritmos de agrupamiento aglomerativo construyen un conjunto jerárquico de clústeres anidados, lo que indica la relación entre clústeres. Ejemplo: agrupación jerárquica
- — Mediante el uso de algoritmos de agrupamiento, podemos revelar la estructura oculta de una matriz de expresión génica, lo que nos da pistas valiosas para comprender el mecanismo de enfermedades complicadas y categorizar diferentes enfermedades
- En la clasificación, dividimos los datos en etiquetas conocidas. Por ejemplo, podríamos construir un clasificador para dividir un conjunto de muestras tumorales en aquellas que probablemente respondan a un medicamento dado y aquellas que es poco probable que respondan a un medicamento dado en función de sus perfiles de expresión génica. Nos centraremos en la clasificación en el próximo capítulo.
Bibliografía
[1] es.wikipedia.org/wiki/Archivo:HeatMap.png.
[2] http://genome.ucsc.edu/ENCODE/.
[3] J.Z. Huang, M.K. Ng, Hongqiang Rong y Zichen Li. Ponderación variable automatizada en clústeres tipo k-medias. Análisis de patrones e inteligencia artificial, IEEE Transactions on, 27 (5) :657 —668, mayo de 2005.
[4] Christopher A. Maher, Chandan Kumar-Sinha, Xuhong Cao, Shanker Kalyana-Sundaram, Bo Han, Xiao- jun Jing, Lee Sam, Terrence Barrette, Nallasivam Palanisamy y Arul M. Chinnaiyan. Secuenciación de transcriptomas para detectar fusiones génicas en cáncer. Naturaleza, 458 (7234) :97—101, 05 de mar de 2009.