Aplicación y comparativa de cuatro modelos de clustering para datos GTEx
En el presente TFM se estudian y evalúan cuatro diferentes algoritmos de clustering: método coexp (formado porWGCNA y k-means), k-means convencional y dos modelos de mezcla finitos. En primer lugar se implementan todos los modelos de clustering, se busca el número de clusters óptimo en base a difere...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2019 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/90626 |
| Acceso en línea: | http://hdl.handle.net/10609/90626 |
| Access Level: | acceso abierto |
| Palabra clave: | RNA-seq GCN clustering ARN-seq Bioinformatics -- TFM Bioinformàtica -- TFM Bioinformática -- TFM |
| Sumario: | En el presente TFM se estudian y evalúan cuatro diferentes algoritmos de clustering: método coexp (formado porWGCNA y k-means), k-means convencional y dos modelos de mezcla finitos. En primer lugar se implementan todos los modelos de clustering, se busca el número de clusters óptimo en base a diferentes criterios estadísticos como BIC, AIC y el método de codo y por último, las particiones generadas por dichos métodos se visualizan y se comparan entre sí con la ayuda de una serie de métricas (o medidas) de validación externa. Se han usado medidas basadas en el conteo de pares (counting based measures) como el índice de Rand ajustado (Adjusted Rand Index, ARI) y en información teórica (information theoreticbased measures) como la variación de la información normalizada (Normalized Variation of Information, NVI) y distancia de información normalizada (Normalized Distance of Information, NID). |
|---|