Bayesian Mixture Model Averaging Untuk Mengidentifikasi Perbedaan Ekspresi Gen Percobaan Microarray

Astuti, Ani Budi (2017) Bayesian Mixture Model Averaging Untuk Mengidentifikasi Perbedaan Ekspresi Gen Percobaan Microarray. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
1311301002-Disertation.pdf - Published Version

Download (7MB) | Preview

Abstract

Data ekspresi gen merupakan data hasil percobaan microarray. Tantangan utama analisis statistika untuk data microarray adalah jumlah sampel yang tersedia sedikit tetapi karakteristik variabel yang terukur sangat banyak. Hal ini disebabkan oleh keterbatasan dana, tenaga dan waktu serta ketersediaan sampel. Selain itu, sifat dasar dari sebaran data ekspresi gen yang diperoleh akan sangat komplek (multimodal). Penelitian yang terkait dengan identifikasi perbedaan ekspresi gen telah banyak dilakukan dengan menggunakan pendekatan Bayesian. Analisis Bayesian yang digunakan adalah Bayesian Mixture Model (BMM) karena indikasi data memiliki distribusi mixture. Selain itu, secara terpisah, Bayesian Model Averaging (BMA) digunakan untuk mengidentifikasi perbedaan ekspresi gen dengan prinsip memprediksi model terbaik melalui rata-rata terboboti dari semua kemungkinan model baik dari data. Tujuan dari penelitian ini adalah menggabungkan metode BMM dan metode BMA sehingga terbentuk model Bayesian Mixture Model Averaging (BMMA) untuk data Chickpea di Indonesia. Hasil penelitian menunjukkan bahwa model BMMA-normal mampu dengan baik dalam mengidentifikasi kelompok ID gen data Chickpea dalam kelompok Upregulated, Regulated, dan Down-regulated dengan tetap mempertahankan konsep data driven. Model BMMA-normal telah berhasil mengidentifikasi lima ID gen yang masuk dalam kelompok Up-regulated dan 14 ID gen masuk dalam kelompok Regulated. Dalam penelitian ini tidak ditemukan ID gen yang masuk dalam kelompok Down-regulated. Model BMMA-normal untuk kasus data Chickpea adalah model terbaik dibandingkan model pendekatan non- mixture normal. Nilai goodness of fit Kolmogorov-Smirnov yang diperoleh cukup kecil dan masih dalam jaminan lebih kecil dari nilai Kolmogorov-Smirnov tabel. ================================================================================================== Gene expression data is the data from the results of microarray experiment. The main challenge of the statistical analysis for microarray data is the small number of samples available but the characteristics of the variables measured are numerous. This is due to the limited funds, personnel, time and availability of samples. Moreover, the nature of the distribution of gene expression data obtained will be very complex (multimodal). Research related to the identification of gene expression differences have been carried out by using a Bayesian approach. Bayesian analysis is used Bayesian Mixture Model (BMM) because an indication of the data has a distribution mixture. In addition, separately, Bayesian Model Averaging (BMA) is used to identify gene expression differences with the principle of predicting the best model through the weighted average of all possible good models of data. The results showed that the BMMA-normal model able to properly identify groups of gene ID of the Chickpea data in the of Up-regulated, Regulated, and Down-regulated groups while maintaining the concept of data driven. BMMA-normal model have successfully identified five genes ID in the Up-regulated group and 14 genes ID in the Regulated group. In these studies could not find the genes ID in the Down-regulated group. The BMMA-normal model for Chickpea data cases is the best model compared to the normal nonmixture approach model. The value of goodness of fit Kolmogorov-Smirnov obtained is quite small and still under warranty smaller than the value of Kolmogorov-Smirnov table.

Item Type: Thesis (Doctoral)
Uncontrolled Keywords: Bayesian, Model Mixture, Model Averaging, Model Mixture Averaging, Microarray-Indonesia
Subjects: Q Science > QA Mathematics
Divisions: Faculty of Mathematics and Science > Statistics > (S3) PhD Theses
Depositing User: Astuti Ani Budi
Date Deposited: 03 Jan 2018 04:21
Last Modified: 05 Mar 2019 08:05
URI: http://repository.its.ac.id/id/eprint/47751

Actions (login required)

View Item View Item