Subspace Clustering für die Analyse von CGH Daten

Durch Problemstellungen bei der Anwendung von traditionellen Clustering-Algorithmen auf hochdimensionalen Daten motiviert, wurde im Rahmen meiner Diplomarbeit ein neues algorithmisches Konzept zum effizienten Subspace Clustering entwickelt. Eine mögliche Anwendung dieses Konzeptes stellt die Analyse von CGH Daten dar. Durch Subspace Clustering ist es möglich, Gruppen von Patienten zu identifizieren, deren Genom charakteristische Veränderungen in bestimmten Abschnitten der DNA aufweist. Durch Analyse der so identifizierten Gruppen können Hinweise auf Zusammenhänge zwischen den charakteristischen Veränderungen und den Erkrankungen der Patienten erkannt werden. Zuordnung: Data Mining, Clustering, hochdimensionale Daten, Comparative Genomic Hybridization