Ontologische Visualisierung von Genexpressionsdaten aus Makroarray-Experimenten Bioinformatik Praktikum David Rudolph, Michael Tauer Thema 6.

Präsentation zum Thema: "Ontologische Visualisierung von Genexpressionsdaten aus Makroarray-Experimenten Bioinformatik Praktikum David Rudolph, Michael Tauer Thema 6."—  Präsentation transkript:

1 Ontologische Visualisierung von Genexpressionsdaten aus Makroarray-Experimenten Bioinformatik Praktikum David Rudolph, Michael Tauer Thema 6

2 Begriffe Genontologie (GO) –Vokabular der Genetik und deren Beziehungen untereinander Genexpressionsdaten –Zustandsbeschreibung eines Objekts (z.B. eine Zelle) anhand der Genaktivitäten Makroarray-Experimente –Ermittlung der Konzentration bestimmter mRNA- Stränge

3 Aufgabenstellung 1.Experimentdaten über SOAP-Web- Service auslesen 2.Gen-Ontologie-Daten über JDBC- Schnittstelle auslesen 3.GO-Graph in GroIMP visualisieren Tool um Gen-Experimentdaten im Kontext einer Gen-Ontologie auszuwerten

4 (1) Experimentdaten Ergebnis: Wizard zum Lesen der Daten über SOAP Daten durch Textdateien laden Cachen von geladenen Daten Probleme: Erreichbarkeit des Servers

5 (2) GeneOntology-Daten Ergebnis: Mapping: Biosequenzen -> GO-IDs –Auswahl der Biosequenzen durch Filter Extrahierung des relevanten Teilgraphs aus der GO-Datenbank –Alle Pfade von den gewünschten Go-IDs zur Wurzel

6 (3) Visualisierung Ergebnis: Implementierung als eigenes 2D-Projekt in GroIMP Für Navigation und Layout wurden vorhandene Funktionalitäten genutzt 2 Knotentypen (GO-Knoten, Biosequenz-Knoten) GO-Knoten können ein/ausgeklappt werden Biosequenz-Knoten zeigen Intensitätsverläufe an Filterkonzept für Biosequenzen, um nur einen Teilgraphen darzustellen Probleme: Graph-Visualisierung ist in GroIMP auf Bäume spezialisiert

7 (3) Visualisierung (Vorschau) Biosequenzen GeneOntology- Begriffe Wurzelknoten nicht zuordenbare Biosequenzen

8 (4) Filterkonzept Erweiterungsmöglichkeit: Eingabe und Auswahl der Filter über GUI Implementierung statistischer Values-Funktionen, um Anstiege zu filtern Jede Biosequenz enthält mehrere Intensitäts-Werte ValuesFunction definieren Funktionen, um für jede Biosequenz einen Wert zu berechnen - ProbesAverageValuesFunction berechnet den Mittelwert für mehrere Messungen (Probes) ValuesBiosequenceFilter definieren Filter, um Biosequenzen anhand von einem Wert zu filtern - Filter für die N größten und N kleinsten Werte sind implementiert

9 Resumé Topologie des GO-Graphen unterscheidet sich stark von einer Baumstruktur Visualisierung als Graph erscheint sehr sinnvoll Visualisierung der Genaktivität in den Biosequenz-Knoten ist für ein konkretes Experiment angepasst Es fehlt eine allgemeine Formatierungs- beschreibung der Genexpressionsdaten