Information dérivée pour les splines linéaires mixtes (DLMMS): la dérivée des profils d`expression contient des informations précieuses sur le taux de changement d`expression dans le temps [9, 30]. Nous considérons la dérivée de la courbe de population moyenne f (t) de EQ 3. Notez que pour les profils modélisés en utilisant seulement EQ 1 le dérivé est constant et est égal à l`estimation de la pente. Dans le cas contraire, la dérivée à tout moment t dans l`intervalle de temps pertinent est: où et dénotent les estimations des coefficients d`interception et de spline. Les dérivés des profils LMMS peuvent ensuite être utilisés à la place des profils modélisés pour obtenir de nouvelles informations dans l`analyse de clusters en aval. Les modèles linéaires à effets mixtes avec R sont un cours de 7 sessions qui enseigne les connaissances et les compétences requises pour adapter, interpréter et évaluer les paramètres estimés des modèles linéaires à effets mixtes à l`aide du logiciel R. Alternativement appelées des mesures imbriquées, hiérarchiques, longitudinales, répétées, ou des Pseudo-réplications temporelles et spatiales, les modèles linéaires à effets mixtes sont une forme de procédures d`ajustement du modèle des moindres carrés. Ils sont typiquement caractérisés par deux (ou plus) sources de variance, et ont donc de multiples structures corrélatives parmi les variables indépendantes du prédicteur, qui affectent leurs effets estimés, ou relations, avec les variables dépendantes prédites. Ces multiples sources de variance et structures corrélationnelles doivent être prises en compte dans l`estimation de l`ajustement et des paramètres des modèles linéaires à effets mixtes. Les termes GO identifiés concordalement par regroupement d`au moins deux des approches de modélisation (linéaire mixte spline modèle (LMMS), dérivé LMMS (DLMMS), moyenne ou lissage splines effets mixtes (SME)).

Modèle ajusté avec des splines linéaires mixtes (LMMS): pour chaque molécule, nous déterminons un modèle approprié via une approche de montage de modèle série. Cela évite les sous-ou les surajustement en permettant à la structure de données de piloter la complexité du modèle, plutôt que de s`appuyer sur des hypothèses a priori telles que [19], [21]. Nous faisons des comparaisons entre les modèles successifs à l`aide d`un test de qualité de l`ajustement, en conservant un modèle plus complexe seulement si elle correspond mieux aux données qu`un modèle plus simple. La bonté de l`ajustement est évaluée avec le test du rapport de vraisemblance de log tel qu`il est implémenté dans la fonction ANOVA du paquet nLME. Les quatre modèles examinés dans ce processus sont décrits ci-dessous, classés par ordre de complexité croissante. Le nombre (proportion) de profils modélisés avec chaque modèle choisi par notre approche LMMS proposée. Les modèles sont abrégés comme linéaires (LIN), spline (SPL), l`interception spécifique au sujet (SSI), et l`interception et la pente spécifiques au sujet (SSIS). Des modèles ont été appliqués aux données sur le cancer du sein de la lignée cellulaire (cell), aux données d`évolution de Saccharomyces paradoxus (levure), aux données de chimiothérapie Mus musculus (souris) et aux données de non-rejet (NR) de rejet de rein d`Homo sapiens (Human). La ligne «supprimé» indique le pourcentage de profils filtrés à l`aide du clustering basé sur le modèle à 2 clusters sur RT et RI. Les trajectoires dérivées de la spline linéaire mixte (LMMS) et de la spline de modèle mixte linéaire dérivé (DLMMS) ont été comparées à des trajectoires dérivées de la moyenne ou des modèles d`effets mixtes splines lissantes (SME). Cinq algorithmes de clustering — clustering hiérarchique (HC), KMeans (KM), cartes auto-organisatrices (SOM), modèles (modèle) et partitionnement autour des Médoïdes (PAM) ont ensuite été appliqués sur des trajectoires modélisées à l`aide d`une plage de deux à neuf grappes.