Functional regression clustering with multiple functional gene expressions
利用多个函数型基因表达变量进行函数回归聚类AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主要研究函数型回归聚类与基因表达关系，时间曲线并不足以直接对应所列宏观时间序列或其他计量细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用多个函数型基因表达变量进行函数回归聚类
- 研究问题
- 当基因自身的时间表达曲线不同，但对实验条件的响应关系相似时，如何按曲线之间的回归关系识别具有共同模式的基因群？
- 方法与思路
- 作者提出 K 均值型聚类算法，以含多个函数型解释变量的函数对函数回归定义各簇，并通过模拟及季节影响昼夜表达的应用检验。
- 材料陈述的贡献
- 摘要称，该方法识别出季节扰动模式相似的基因群，所得聚类富集于相近生物功能，其中包括光合作用和多核糖体相关功能。
- 阅读关注点
- 核对函数回归的表示、聚类目标与簇数选择，检查曲线预处理、模拟评价和生物功能富集分析如何支撑关系相似性的解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明算法收敛、聚类稳定性及具体数值，生物学发现仍需进一步核验。
原文摘要
Gene expression data is often collected in time series experiments, under different experimental conditions. There may be genes that have very different gene expression profiles over time, but that adjust their gene expression patterns in the same way under experimental conditions. Our aim is to develop a method that finds clusters of genes in which the relationship between these temporal gene expression profiles are similar to one another, even if the individual temporal gene expression profiles differ. We propose a $K$-means type algorithm in which each cluster is defined by a function-on-function regression model, which, inter alia, allows for multiple functional explanatory variables. We validate this novel approach through extensive simulations and then apply it to identify groups of genes whose diurnal expression pattern is perturbed by the season in a similar way. Our clusters are enriched for genes with similar biological functions, including one cluster enriched in both photosynthesis-related functions and polysomal ribosomes, which shows that our method provides useful and novel biological insights.