Rozbalte a spustťe nástroj STEM.

Načtěte expresní data z výše uvedeného souboru.

Proveďte clustering pomocí metody K-means a analyzujte výsledky.

Proveďte clustering dle interního algoritmu STEM a analyzujte získané rozdělení profilů a genů do klastrů.

Vytvořte množinu všech genů (gene set) relevantních flagelárnímu modulu a nechte si vypočítat její statistický význam v získaném rozdělení.

Rozbalte a spusťte nástroj Genomica.

Načtěte výše odkazovaný soubor expresních dat E. Coli.

Seznamte se se základní navigací v nástroji Genomica.

Nainstalujte nástroj Hugin (verze Lite) pro analýzu a učení bayesovských modelů. Verze je omezena velikostí sítí a rozsahu akceptovaných experimentálních dat.

Načtěte do nástroje Hugin výše uvedenou síť, zjednošujte ji odstraněním uzlu tRNA.

U každého uzlu rozlište 2 stavy on, off s následujícím rozložením:

uzel	P(on)		P(off)
cya	0.3		0.7
crp	0.8		0.2
	cya on	cya off	crp on	crp off
fis	0.99	0.4	0.6	0.02
	0.01	0.6	0.4	0.98

Nastavte run mód a modifikujte pravděpodobnostní hodnoty uzlů cya a crp, sledujte jak se mění pravděpodobnostní rozložení regulovaného uzlu fis.

 

Ve zjednodušeném modelu z předchozího příkladu nastavte uniformní rozložení pro všechny uzly (on - 0.5, off - 0.5).

Pro všechny uzly vytvořte tabulky experimentální evidence (Add Experience Table).

Použijte EM learning wizard (algoritmus Expectation Maximization) pro naučení pravděpodobnostních rozložení z experimentálních dat (viz soubor výše).