{"id":8566,"date":"2005-11-04T18:10:00","date_gmt":"2005-11-04T18:10:00","guid":{"rendered":"http:\/\/weblogs.madrimasd.org\/\/bioinformatica\/archive\/2005\/11\/04\/8566.aspx"},"modified":"2005-11-04T18:10:00","modified_gmt":"2005-11-04T18:10:00","slug":"nuevo-algoritmo-para-analisis-de-microarrays-de-expresion","status":"publish","type":"post","link":"https:\/\/www.madrimasd.org\/blogs\/bioinformatica\/2005\/11\/04\/8566","title":{"rendered":"Nuevo algoritmo para an\u00e1lisis de microarrays de expresi\u00f3n"},"content":{"rendered":"

Jose Pablo<\/a> ha mandado este comentario sobre un art\u00edculo que ha le\u00eddo recientemente en Bioinformatics: <\/p>\n

\n

    En el n\u00famero del 1 de Noviembre de la revista Bioinformatics se publica un art\u00edculo que puede ser muy \u00fatil para el an\u00e1lisis de resultados de microarrays de expresi\u00f3n.<\/p>\n

    En este tipo de experimentos es muy habitual que, de cara a una interpretaci\u00f3n biol\u00f3gica de los datos, se empleen t\u00e9cnicas de clustering para identificar grupos de genes o\/y muestras subyacentes.<\/p>\n

    Sin embargo, en algunas ocasiones diferentes algoritmos de clustering pueden dar lugar a diferentes resultados con los mismos datos. En estas situaciones puede ser interesante intentar comprender c\u00f3mo se relacionan los grupos encontrados mediante t\u00e9cnicas distintas.<\/font> <\/p><\/blockquote><\/div>\n

<\/pre>\n
 <\/p>\n
\n
    En el art\u00edculo los autores describen un nuevo algoritmo para comparar y visualizar las relaciones existentes entre grupos identificados mediante distintos m\u00e9todos de clustering. El algoritmo ha sido implementado en el Expression Profiler del EBI (http:\/\/www.ebi.ac.uk\/expressionprofiler<\/a>) y tambi\u00e9n est\u00e1 disponible como software independiente en SourceForge (http:\/\/ep-sf.sourceforge.net<\/a>).
 <\/font><\/div>\n
 
     La referencia del art\u00edculo es:
 <\/font>
 <\/font><\/p><\/blockquote>\n
Torrente A, Kapushesky M, Brazma A.<\/font>
  <\/font>A new algorithm for comparing and visualizing relationships between hierarchical and flat gene expression data clusterings.<\/i><\/font>
  <\/i>Bioinformatics 2005; 21(21): 3993-3999.<\/font> <\/p>\n
 
     Espero que os sea \u00fatil. <\/p>\n
     Saludos.
 <\/font><\/p><\/blockquote>\n
 Yo por mi parte me comprometo a le\u00e9rmelo, porque tiene pinta de ser interesante. <\/p>\n","protected":false},"excerpt":{"rendered":"
Jose Pablo ha mandado este comentario sobre un art\u00edculo que ha le\u00eddo recientemente en Bioinformatics:     En el n\u00famero del 1 de Noviembre de la revista Bioinformatics se publica un art\u00edculo que puede ser muy \u00fatil para el an\u00e1lisis de resultados de microarrays de expresi\u00f3n.     En este tipo de experimentos es muy habitual que, de cara a una interpretaci\u00f3n biol\u00f3gica de los datos, se empleen t\u00e9cnicas de clustering para identificar grupos de genes o\/y muestras subyacentes.     Sin embargo, en algunas ocasiones diferentes algoritmos de clustering pueden dar lugar a diferentes resultados con los mismos datos. En estas situaciones\u2026<\/p>\n","protected":false},"author":25,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"ngg_post_thumbnail":0},"categories":[186],"tags":[],"blocksy_meta":{"styles_descriptor":{"styles":{"desktop":"","tablet":"","mobile":""},"google_fonts":[],"version":4}},"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t