Analyse différentielle de données Hi-C via la Classification Ascendante Hiérarchique sous Contrainte de Contiguïté
RANDRIAMIHAMISON, Nathanaël
Unité de Mathématiques et Informatique Appliquées de Toulouse [MIAT INRAE]
GICC EA 7501, IMT (Innovation moléculaire et thérapeutique) [IMT]
Quality control and dynamic reliability [CQFD]
Leer más >
Unité de Mathématiques et Informatique Appliquées de Toulouse [MIAT INRAE]
GICC EA 7501, IMT (Innovation moléculaire et thérapeutique) [IMT]
Quality control and dynamic reliability [CQFD]
RANDRIAMIHAMISON, Nathanaël
Unité de Mathématiques et Informatique Appliquées de Toulouse [MIAT INRAE]
GICC EA 7501, IMT (Innovation moléculaire et thérapeutique) [IMT]
Quality control and dynamic reliability [CQFD]
< Leer menos
Unité de Mathématiques et Informatique Appliquées de Toulouse [MIAT INRAE]
GICC EA 7501, IMT (Innovation moléculaire et thérapeutique) [IMT]
Quality control and dynamic reliability [CQFD]
Idioma
fr
Communication dans un congrès
Este ítem está publicado en
52èmes Journées de Statistiques de la SFdS, 2020-05-25, Nice. 2020-09-01p. 655-660
Resumen
Les données Hi-C mesurent la proximité spatiale entre paires de positions génomiques et donnent des informations sur l'organisation 3D de l'ADN qui, elle-même, a un rôle important dans la régulation de l'expression des ...Leer más >
Les données Hi-C mesurent la proximité spatiale entre paires de positions génomiques et donnent des informations sur l'organisation 3D de l'ADN qui, elle-même, a un rôle important dans la régulation de l'expression des gènes. Le but de l'analyse différentielle de données Hi-C est de trouver des différences significatives entre la structure 3D du génome de deux conditions biologiques différentesà partir de plusieurs réplicats d'expériences Hi-C dans chaque condition. Ici, nous proposons une nouvelle méthode d'analyse différentielle basée sur la Classification Ascendante Hiérarchique avec Contrainte de Contiguïté (CAHCC). Celle-ci est utilisée pour représenter la structure hiérarchique des positions génomiques sous la forme d'un arbre binaire et le problème de l'analyse différentielle Hi-C est alors transformé en un problème de comparaison d'arbres, résolu en utilisant des distances entre arbres. Mots-clés. Classification ascendante hiérarchique, classification ascendante hiérarchique sous contrainte, dendrogramme, données Hi-C, analyse différentielle, distances entre arbres. .< Leer menos
Resumen en inglés
The spatial proximity between pairs of genomic positions can be measured by Hi-C experiments, which give insights into the 3D organization of DNA. This organization plays an important role in the regulation of gene expression. ...Leer más >
The spatial proximity between pairs of genomic positions can be measured by Hi-C experiments, which give insights into the 3D organization of DNA. This organization plays an important role in the regulation of gene expression. The aim of Hi-C differential analysis is to find significant differences in the 3D structure of the genome between two biological conditions from replicates of Hi-C experiments in each condition. Here, we present a new differential analysis method based on Hierarchical Agglomerative Clustering with Contiguity Constraint (CCHAC). CCHAC is used to represent the hierarchical structure of genomic positions in the form of a binary tree. The problem of Hi-C differential analysis is then translated into a tree comparison problem and handled using tree distances.< Leer menos
Palabras clave
Distances entre arbres
Analyse différentielle
Données Hi-C
Dendrogramme
Classification ascendante hiérarchique sous contrainte
Classification ascendante hiérarchique
Palabras clave en inglés
Tree distances
Differential analysis
Dendrogram
Hi-C data
Constrained hierarchical agglomerative clustering
Hierarchical agglomerative clustering
Orígen
Importado de HalCentros de investigación