La información mutua: Detectar y evaluar dependencias entre variables

MOTIVACIÓN: El agrupamiento de genes co-expresados generalmente requiere la definición de 'distancia' o 'similitud' entre los conjuntos de datos medidos, siendo las opciones más comunes la correlación de Pearson o la distancia euclidiana. Con el tamaño de los conjuntos de datos disponibles en constante aumento, se ha vuelto factible considerar otras definiciones más generales también. Una alternativa, basada en la teoría de la información, es la información mutua, que proporciona una medida general de las dependencias entre variables. Si bien se ha sugerido previamente el uso de información mutua en el análisis de agrupamientos y la visualización de datos de expresión génica a gran escala, los estudios anteriores no se centraron en comparar diferentes algoritmos para estimar la información mutua a partir de datos finitos. RESULTADOS: Aquí describimos y revisamos varios enfoques para estimar la información mutua a partir de conjuntos de datos finitos. Nuestros hallazgos muestran que los algoritmos utilizados hasta ahora pueden mejorarse sustancialmente. En particular, al tratar con conjuntos de datos pequeños, deben tenerse en cuenta los efectos de muestra finita y otras fuentes de resultados potencialmente engañosos.