حمید علوی مجد - گروه آمار زیستی دانشکده پیراپزشکی دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران
شیما یونس پور - دانشکده پیراپزشکی دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران
فرید زایری - گروه آمار زیستی دانشکده پیراپزشکی دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران
مصطفی رضایی طاویرانی - گروه علوم پایه دانشکده پیراپزشکی دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران

مقدمه و هدف: در سال های اخیر، فناوری ریزآرایه ی DNA نقش اساسی در تحقیقات ژنومی داشته ­است. با استفاده از این فناوری که امکان آنالیز هم­زمان سطوح بیان هزاران ژن را در شرایط مختلف فراهم­آورده­است، به حجم انبوهی از داده ها دست­می یابیم. روش های کلاسیک خوشه بندی نظیر روش های سلسله مراتبی و غیرسلسله مراتبی، روش هایی مناسب برای تحلیل این­گونه داده ها هستند اما محدودیت هایی نیز دارند. در این روش ها فرض بر آن است که یک ژن یا یک شرایط آزمایشی را تنها می توان به یک خوشه منتسب­کرد و یک ژن، متعلق به گروهی از ژن هاست که با هم، تحت همه شرایط آزمایشی تنظیم می شوند. بنابراین به­منظور رفع این کاستی ها از روش های خوشه بندی دوبعدی استفاده­می شود. هدف از این پژوهش، بررسی کارآیی یک روش خوشه بندی دو­بعدی در تحلیل داده های بیان ژنی مخمر است.  مواد و روش ها: در این پژوهش، داده های بیان ژنی مخمر Saccharomyces cerevisiae گسچ و همکاران (۲۰۰۰) با استفاده از روش خوشه بندی دوبعدی (LAS Large Average Submatrices;) تحلیل­شده­اند. مجموعه داده ها، ۱۷۳ شرایط آزمایشی مختلف و مجموعه ای از ۲۹۹۳ ژن را در­بر­گرفته و برای تحلیل داده ها از نرم افزارهای LAS، JMP و  GOAL استفاده­شده­است.  نتایج: نتایج نشان­داد که روش LAS قادر است خوشه های دوبعدی مناسبی از دیدگاه آماری و زیست شناسی تولید­کند.  نتیجه گیری: این مطالعه نشان ­می دهد که می توان با استفاده از روش LAS، زیرمجموعه هایی از ژن ها را با الگوهای بیان مشابه در زیرمجموعه ای از شرایط آزمایشی شناسایی­کرد که از نظر زیست شناسی معنی دارند.

خوشه بندی دوبعدی (Biclustering), داده های بیان ژنی, ریزآرایه DNA, هستی شناسی ژنی (gene ontology), زیرماتریس های با میانگین-درایه های بزرگ (Large Average Submatrices)