A Hierarchical Grid Alignment Algorithm for Microarray Image Analysis

Microarray which enables us to obtain hundreds and thousands of expression of gene or genotype at once is an epoch-making technology in comparative analysis of genes. First of all, we have to measure the intensity of each gene in an microarray image from the experiment to gain the expression level of each gene. But it is difficult to analyze the microarray image in manual because it has a lot of genes. Meta-gridding method and various auto-gridding methods have been proposed for this, but thew still have some problems. For example, meta-gridding requires manual-work due to some variations in spite of experiment in same microarray, and auto-gridding nay not carried out fully or correctly when an image has a lot of noises or is lowly expressed. In this article, we propose Hierarchical Grid Alignment algorithm for new methodology combining meta-gridding method with auto-gridding method. In our methodology, we necd a meta-grid as an input, and then align it with the microarray image automatically. Experimental results show that the proposed method serves more robust and reliable gridding result than the previous methods. It is also possible for user to do more reliable batch analysis by using our algorithm.

마이크로어레이 이미지 분석을 위한 계층적 그리드 정렬 알고리즘

마이크로어레이(microarray) 실험은 수백 개 혹은 수천 개의 유전자 발현(expression) 정보를 한 번에 실험을 할 수 있기 때문에, 유전자 비교분석에 있어서 획기적인 실험 방법이다. 먼저, 각 유전자의 발현량을 측정하기 위해서 마이크로어레이 실험 결과로 생성된 이미지를 분석해야 한다. 그러나 마이크로어레이 이미지는 많은 유전자들로 구성되어 있기 때문에 사용자가 일일이 수동으로 유전자인 스팟(spot)들을 분석하기는 어려운 일이다. 이와 같은 문제점을 해결하기 위하여 메타그리드(meta-grid)를 이용한 그리딩(gridding) 방법과 자동 그리딩 방법이 제안되었지만, 여전히 이 방법들은 문제점을 가지고 있다. 예를 들어, 메타 그리딩 방법은 동일한 마이크로어레이 칩에서 생성된 이미지일 지라도, 실험 시 발생하는 오류로 인해 그리딩 시 사용자의 수작업이 필요하다. 자동 그리딩 방법은 생성된 마이크로어레이 이미지가 잡영이 많거나 발현율이 낮을 경우, 이미지 분석 작업을 수행하지 못할 수도 있다. 본 논문에서는 메타 그리딩 방법과 자동 그리딩 방법을 혼합한 새로운 그리딩 방법인 자동 메타 그리딩 방법을 위한 계층적 그리드 정렬(hierarchical grid alignment) 알고리즘을 제안한다. 자동 메타 그리딩 방법은 메타 그리드를 입력으로 하여, 계층적 그리드 정렬 알고리즘을 통해 메타 그리드를 마이크로어레이 이미지에 맞게 자동으로 정렬해주는 방법이다. 실험 결과, 본 논문에서 제안한 방법은 이전 방법들보다 휠씬 강건하고 신뢰할 수 있는 그리딩 결과를 제공하였다. 또한 같은 칩에서 생성된 다수의 이미지들을 동시에 분석하는 일괄 분석(batch analysis)시 제안한 방법을 적용함으로써, 보다 신뢰할 수 있는 일괄 분석 환경을 제공해 줄 수 있다. 분리된 빈도수가 높았다는 것과 무관하지 않을 것으로 사료된다. 특히 S. cerevisiae와 Z. rouxii 두 균주는 무염 또는 7% NaCl이 첨가된 배지에서 가장 먼저 가스를 생성하였으며 7% NaCl이 첨가된 조건하에서의 가스생산량은 Z. rouxii 및 S. cerevisiae 각각에서 0.024 ml/ml/hr, 0.013ml/ml/hr로 나타났다.분중 acetix acid ethyl ester, 3-methyl-1-butanol, acetix acid, 2-phenylethanol등의 성분이 다른 향기 성분에 비해 면적 비율이 높은 경향을 보였다.$의 반응표면을 정준분석한 결과 중속 변량인 ${\beta}-carotene$추출함량이 최대점임을 확인하였다. 3) 최적조건 즉, 압력은 350bar, 온도는 $51^{\circ}C$ 및 시간은 200min의 조건을 동시에 만족하는 관심영역에서의 ${\beta}-carotene$의 최대추출량은 생당근 100g당 10,611 ${\mu}g$으로 예측되었다.이 높은 반면 AsA는 둘다 낮은 편이었다. 무기질은 무에서 Fe, Ca, Na, K과 우엉에서는 Na, P, K의 잔존량이 높은 반면 우엉에서 Fe의 잔존율이 극히 낮았다. 6. 각종 조리시 비타민과 무기질의 잔존상태가 전체적으로 좋은 결과를 보인 채소의 순서는 사용된 횟수에 차이가 있으나 도라지>들깻잎, 양배추>무, 오이>참취, 상추>숙주>시금치, 우엉, 돌나물>당근, 호박>콩나물>가지로 나타났으며, 조리법 중에서 잔존율이 좋은 것은 비타민의 경우는 생채이었고 무기질은 생채, 볶음, 조림이었다. 또한 Vit.A는 생채, 볶음, 조림에서 Niacin은 생채, 조림, 찜에서 AsA는