تخمین تغییر یافته Bayes EM از مدل درخت مارکوف پنهان از سلسله های سلولی

1 گروه کنترل خودکار و مهندسی سیستم ، 2 مرکز زیست شناسی سلولهای بنیادی ، گروه علوم زیست پزشکی ، دانشگاه شفیلد ، شفیلد ، انگلیس و 3 موسسه تحقیقات ساموئل لوننفلد ، بیمارستان کوه سینا ، تورنتو ، کانادا

جستجوی آثار دیگر این نویسنده در: دانیل کوکا

1 گروه کنترل خودکار و مهندسی سیستم ، 2 مرکز زیست شناسی سلولهای بنیادی ، گروه علوم زیست پزشکی ، دانشگاه شفیلد ، شفیلد ، انگلیس و 3 موسسه تحقیقات ساموئل لوننفلد ، بیمارستان کوه سینا ، تورنتو ، کانادا

جستجوی آثار دیگر این نویسنده در: استفان A. بیلینگز

1 گروه کنترل خودکار و مهندسی سیستم ، 2 مرکز زیست شناسی سلولهای بنیادی ، گروه علوم زیست پزشکی ، دانشگاه شفیلد ، شفیلد ، انگلیس و 3 موسسه تحقیقات ساموئل لوننفلد ، بیمارستان کوه سینا ، تورنتو ، کانادا

جستجوی آثار دیگر این نویسنده در: پیتر تون

1 گروه کنترل خودکار و مهندسی سیستم ، 2 مرکز زیست شناسی سلولهای بنیادی ، گروه علوم زیست پزشکی ، دانشگاه شفیلد ، شفیلد ، انگلیس و 3 موسسه تحقیقات ساموئل لوننفلد ، بیمارستان کوه سینا ، تورنتو ، کانادا

1 گروه کنترل خودکار و مهندسی سیستم ، 2 مرکز زیست شناسی سلولهای بنیادی ، گروه علوم زیست پزشکی ، دانشگاه شفیلد ، شفیلد ، انگلیس و 3 موسسه تحقیقات ساموئل لوننفلد ، بیمارستان کوه سینا ، تورنتو ، کانادا

جستجوی آثار دیگر این نویسنده در: پال گوخال

1 گروه کنترل خودکار و مهندسی سیستم ، 2 مرکز زیست شناسی سلولهای بنیادی ، گروه علوم زیست پزشکی ، دانشگاه شفیلد ، شفیلد ، انگلیس و 3 موسسه تحقیقات ساموئل لوننفلد ، بیمارستان کوه سینا ، تورنتو ، کانادا

جستجوی آثار دیگر این نویسنده در: پیتر دبلیو اندروز

1 گروه کنترل خودکار و مهندسی سیستم ، 2 مرکز زیست شناسی سلولهای بنیادی ، گروه علوم زیست پزشکی ، دانشگاه شفیلد ، شفیلد ، انگلیس و 3 موسسه تحقیقات ساموئل لوننفلد ، بیمارستان کوه سینا ، تورنتو ، کانادا

جستجوی آثار دیگر این نویسنده در: Visakan Kadirkamanathan *

1 گروه کنترل خودکار و مهندسی سیستم ، 2 مرکز زیست شناسی سلولهای بنیادی ، گروه علوم زیست پزشکی ، دانشگاه شفیلد ، شفیلد ، انگلیس و 3 موسسه تحقیقات ساموئل لوننفلد ، بیمارستان کوه سینا ، تورنتو ، کانادا

* به چه کسی مکاتبات رسیدگی می شود. جستجوی آثار دیگر این نویسنده در:

ویرایشگر همکار: اولگا تروانسکایا

Bioinformatics ، جلد 25 ، شماره 21 ، نوامبر 2009 ، صفحات 2824 2830 ، https://doi. org/10. 1093/bioinformatics/btp456

منتشر شده: 23 ژوئیه 2009 اخذ شده: 01 آوریل 2009 تجدید نظر دریافت شده: 16 ژوئیه 2009 پذیرفته شده: 19 ژوئیه 2009 منتشر شده: 23 ژوئیه 2009 نمایش

استناد کردن

ویکتور اولاریو و دیگران ، برآورد اصلاح شده Bayes EM از مدل درخت مارکوف پنهان از خطوط سلولی ، بیوانفورماتیک ، جلد 25 ، شماره 21 ، نوامبر 2009 ، صفحات 2824-2830 ، https://doi. org/10. 1093/bioinformatics/btp456656656

فیلتر جستجوی NAVBAR موبایل جستجو اصطلاح جستجو را وارد کنید فیلتر جستجوی NAVBAR وارد جستجوی اصطلاح جستجو شوید

خلاصه

انگیزه: خطوط سلولی بنیادی پرتوان انسان در کشت به عنوان یک جمعیت ناهمگن از سلولهای منفی SSEA3 مثبت و SSEA3 ادامه می یابد. ردیابی سلولهای بنیادی فردی در زمان واقعی می تواند سینتیک سلولهایی را که بین زیرمجموعه های مثبت و منفی SSEA3 تغییر می کنند ، روشن کند. با این حال ، شناسایی زیرمجموعه سلول در تمام نقاط زمانی در یک درخت سلولی از نظر فنی دشوار است.

یافته ها: حداکثر رساندن انتظار بیزی (EM) با الگوریتم احتمالات صاف (VBEM) برای درختان مارکوف پنهان (HMT) برای داده های ساخت یافته درخت ناقص ارائه شده است. خلفی کامل پارامترهای HMT تعیین می شود و مشکلات زیر جریان مرتبط با الگوریتم های قبلی از بین می رود. به عنوان مثال نتایج پیش بینی انواع سلولها در درختان سلولی مصنوعی و واقعی ارائه شده است.

در دسترس بودن: کد MATLAB برای الگوریتم VBEMS به طور آزاد در http://www. acse. dept. shef. ac. uk/repository/vbems_lineage_tree/vbems. zip در دسترس است.

اطلاعات تکمیلی: داده های تکمیلی در Bioinformatics بصورت آنلاین در دسترس هستند.

1. معرفی

یک مشکل اصلی در زیست شناسی سلول های بنیادی این است که چگونه طیف وسیعی از انواع سلول های تخصصی از استخر پیش سازهای سلول های بنیادی ناشی می شود. گزارش شده است که جمعیت سلولهای بنیادی به ظاهر همگن از سلولهایی تشکیل شده است که بین حالت های قابل تعویض نوسان دارند (چمبرز و همکاران ، 2007 ؛ چانگ و همکاران ، 2008 ؛ هایاشی و همکاران ، 2008). این زیرمجموعه ها سلولهای متمایز عملکردی را نشان می دهند ، که به یک روش متفاوت به محرک ها پاسخ می دهند و باعث ایجاد فرزندان متنوع متنوع می شوند. ناهمگونی در کشت سلولهای بنیادی به راحتی نادیده گرفته می شود زیرا بسیاری از روشهای تحقیق متداول به جمع آوری مواد قبل از تجزیه و تحلیل متکی هستند. ردیابی سرنوشت سلولهای انفرادی ، روشی قدرتمند برای بازجویی از سلول ها در حالت تمایز نیافته و در طول تمایز آنها فراهم می کند. در حال حاضر ، فناوری ردیابی و نظارت بر تقسیم سلولی و سرنوشت سلولی به استفاده از سلولهای اصلاح شده برای حمل عناصر گزارشگر فلورسنت متکی است تا بتواند تغییرات در بیان ژنهای شناخته شده را با سرنوشت سلولی خاص همراه کند. استفاده از فن آوری های گزارشگر فلورسنت به طور بالقوه محدود کننده است زیرا به ناچار شامل تغییر سلول ها است و واقع بینانه فقط می تواند برای نظارت بر سه پارامتر مختلف به طور همزمان استفاده شود. برچسب زدن سلولها با استفاده از آنتی بادی های خاص به پروتئین های سطح سلول امکان نظارت محدود فنوتیپ را در زمان واقعی فراهم می کند ، اما به دلیل گردش آنتی ژن ها در سلولهای زنده ، نیاز به بازگشت مکرر سلول ها با آشفتگی بالقوه خصوصیات سلول ها دارد. یک راه حل برای این مشکلات استفاده از تکنیک های احتمالی تجزیه و تحلیل برای بازسازی درختان سلسله سلولی بر اساس مشاهدات جمع آوری شده در زمان واقعی (میزان تقسیم سلول ها) و ترکیب این با اطلاعات آنتی ژن خاص (یعنی فنوتیپی) جمع آوری شده در انتهای مجموعه مجموعهبخش های سلولی تحت نظارت قرار می گیرند.

سلولهای بنیادی جنینی انسان (HES) به طور خودجوش متمایز می شوند و باید به طور مداوم برای علائم تمایز آشکار کنترل شوند. آنتی ژن سطح سلول SSEA3 به سرعت تنظیم می شود زیرا سلولهای HES با انواع سلول های بالغ تر متمایز می شوند (Draper et al. ، 2002) و بنابراین می تواند به عنوان یک بازخوانی مفید از تغییرات در حالت سلول از تمایز نیافته به تمایز خدمت کند. با این حال ، سلولهای HES در کلنی های تنگ رشد می کنند و برای ردیابی در زمان واقعی سلولهای فردی قابل تحمل نیستند. بنابراین ، از رده سلولی NTERA2 به عنوان جانشین استفاده شده است. رده سلولی پرتوان NTERA2 از سلولهای بنیادی تشکیل شده است که آنتی ژن سطح SSEA3 را در سطوح مختلف بیان می کنند. سطح بیان SSEA3 دارای پیامدهای عملکردی است زیرا بیان آن با احتمال یک سلول NTERA2 برای گسترش کلون ارتباط مثبت دارد (اندروز و همکاران ، 1984). نکته قابل توجه ، مشاهده شده است که سلولهای بنیادی NTERA2 بین حالت منفی SSEA3 مثبت و SSEA3 قرار دارند. برای تعیین سینتیک این تداخل ، سلولهای NTERA2 منفی SSEA3 با مرتب سازی سلول فعال شده فلورسنت به دست آمده و با تجزیه و تحلیل زمان زمان کنترل می شوند. در این مطالعه ، بازسازی درختان نسب بر اساس مشاهدات بیان SSEA3 سلول ها است ، جایی که بیان SSEA3 سلول ها فقط در ریشه و سطح برگ شناخته می شود. سه حالت گسسته بالقوه در درختان سلسله وجود دارد: SSEA 3 مثبت ، SSEA 3 منفی یا مرده. این چالش شامل تعیین بیان SSEA3 از هر سلول در تمام سطوح در درختان سلسله است. به منظور دستیابی به این هدف ، ما یک بیزی متنوع (VB) با اجرای احتمالات صاف از درختان مخفی مارکوف (HMTS) پیشنهاد می کنیم که یک ابزار تجزیه و تحلیل برای هرگونه داده ساختاری درخت ناقص است. ما به عنوان نقطه شروع خود مدل های پنهان مارکوف (HMM) را می گیریم ، که در زمینه های مختلفی از جمله تشخیص گفتار ، پیش بینی سری زمانی مالی استفاده می شود (بولا و بولا ، 2006) ، پردازش زبان طبیعی ، سینتیک کانال یونی (فردین و رایس ، 1997) و فشرده سازی داده های عمومی (لی ، 2002). آنها در مدل سازی و تجزیه و تحلیل توالی های بیولوژیکی ، به ویژه DNA نقش مهمی ایفا کرده اند (Beerenwinkel and Drton ، 2007 ؛ Schliep et al. ، 2005) و آنها ثابت کرده اند که ابزارهای مفیدی برای سیگنال آماری و پردازش تصویر هستند.

باوم و همکارانش (1970) تئوری اصلی HMMS را توسعه دادند. در سال 1972 ، آنها الگوریتم رو به جلو را به عنوان یک روش تکراری برای برآورد آماری حداکثر احتمال (ML) از عملکردهای احتمالی زنجیره های مارکوف پیشنهاد دادند. Devijver (1985) نشان داد که محاسبه احتمال مشترک در الگوریتم Baum می تواند به محاسبه احتمالات خلفی تبدیل شود. الگوریتم حاصل شبیه به Baum بود به جز وجود یک عامل مقیاس گذاری که توسط لوینسون و همکاران پیشنهاد شده است.(1983) که نسبت به جریان محاسباتی قوی بود. تحولات بیشتر در HMM از کار Mackay (1997) ، Beal و Ghahramani (2003) ، Watanabe et al.(2004) و جی و همکاران.(2006) که در آن آنها یک روش VB را برای این مدل ها به کار بردند.

مدل های HMT توسط Crouse و همکاران ارائه شده است.(1997) برای مدل سازی وابستگی های آماری بین ضرایب موجک در پردازش سیگنال. آنها با موفقیت در تصویر سازی و تقسیم بندی به تصویر کشیده شده اند (Bharadwaj and Carin ، 2002 ؛ Choi and Baraniuk ، 2001 ؛ Romberg et al. ، 2001) برای پردازش و طبقه بندی سیگنال (Diligenti et al. ، 2003 ؛ Durand et al. ،2004) و به مدل سازی داده های ساخت یافته درخت (Beerenwinkel and Drton ، 2007 ؛ Durand et al. ، 2005). الگوریتم رو به جلو و پیشنهاد شده توسط BAUM توسط Crouse و همکاران به متن HMTS منتقل شد.(1997). الگوریتم حاصل الگوریتم رو به بالا و رو به بالا نامیده شده است ، اما مانند الگوریتم Baum دچار مشکلات زیربنایی محاسباتی شده است. بازگشتهای رو به بالا توسط رونن و همکاران پیشنهاد شده است.(1995) برای E-Step در تخمین ML مدل های درخت وابستگی با مشاهدات از دست رفته. الگوریتم رو به بالا و رو به بالا توسط دوراند و همکاران مورد بازبینی قرار گرفت.(2004) که با تطبیق ایده ها از تغییرات Devijver به الگوریتم رو به جلو و به جلو ، تغییراتی را برای حل مشکلات زیربنایی محاسباتی ایجاد کرده است. رومبرگ و همکاران.(2001) یک مدل HMT بیزی را برای پردازش تصویر با استفاده از موجک ها پیشنهاد کرد و بعداً ، Dasgupta و Carin (2006) مدل VB-HMT را بر اساس مدل پیشنهادی Crouse و همکاران تهیه کردند. با یک برنامه مشابه

در این مطالعه ، ما VB را با اجرای احتمالات صاف از HMT ها استخراج می کنیم. ما چارچوب HMT Durand (Durand et al. ، 2004) را به VB با تجسم مهم توزیع احتمال قبلی گسترش می دهیم. گنجاندن توزیع احتمال قبلی یک کلاس از مدلهای HMT مانند در مورد سلسله های سلولی برای جلوگیری از عدم وجود مشکل تخمین ضروری است. ما این کار را از طریق یک برنامه برای مدل سازی خطوط سلولهای بنیادی در شبیه سازی و استفاده از داده های واقعی نشان می دهیم.

2 مدل HMT

یک مدل HMT از درخت تصادفی مشاهده شده x = x تشکیل شده است₁،…، ایکس_حرفو درخت تصادفی پنهان S = S₁،…. ، s_حرف، که دارای ساختار نمایه سازی یکسان مانند درخت مشاهده شده است ، شکل 1. درخت تصادفی X باید به عنوان حاوی مشاهدات گمشده و مشاهدات موجود (از این رو درخت کامل X از همان ساختار S) ، برای اهداف تخمین مشاهده شود. روش در اینجا در نظر گرفته شده است. به عنوان مثال ، فقط مشاهدات گره های برگ ممکن است در دسترس باشد و سایر x_منمی توان مشاهدات مفقود را در نظر گرفت. S در مجموعه ای از حالت های گسسته K ، که به عنوان 1 ،… ، k ذکر شده است ، ارزش می گیرد. توزیع P () خاصیت HMT را برآورده می کند اگر و فقط اگر:

ρ (t) نشان دهنده والدین گره t ، منصة التداول الأكثر ثقة...