Oligonucleotide arrays can provide a broad picture of the state of the cell, by monitoring the expression level of thousands of genes at the same time. It is of interest to develop techniques for extracting useful information from the resulting data sets. Here we report the application of a two-way clustering method for analyzing a data set consisting of the expression patterns of different cell types. Gene expression in 40 tumor and 22 normal colon tissue samples was analyzed with an Affymetrix oligonucleotide array complementary to more than 6,500 human genes. An efficient two-way clustering algorithm was applied to both the genes and the tissues, revealing broad coherent patterns that suggest a high degree of organization underlying gene expression in these tissues. Coregulated families of genes clustered together, as demonstrated for the ribosomal proteins. Clustering also separated cancerous from noncancerous tissue and cell lines from in vivo tissues on the basis of subtle distributed patterns of genes even when expression of individual genes varied only slightly between the tissues. Two-way clustering thus may be of use both in classifying genes into functional groups and in classifying tissues based on gene expression.

Cells use complex networks of interacting molecular components to transfer and process information. These “computational devices of living cells”1 are responsible for many important cellular processes, including cell-cycle regulation and signal transduction. Here we address the issue of the sensitivity of the networks to variations in their biochemical parameters. We propose a mechanism for robust adaptation in simple signal transduction networks. We show that this mechanism applies in particular to bacterial chemotaxis2,3,4,5,6,7. This is demonstrated within a quantitative model which explains, in a unified way, many aspects of chemotaxis, including proper responses to chemical gradients8,9,10,11,12. The adaptation property10,13,14,15,16 is a consequence of the network's connectivity and does not require the ‘fine-tuning’ of parameters. We argue that the key properties of biochemical networks should be robust in order to ensure their proper functioning.

A wide range of organisms use circadian clocks to keep internal sense of daily time and regulate their behavior accordingly. Most of these clocks use intracellular genetic networks based on positive and negative regulatory elements. The integration of these “circuits” at the cellular level imposes strong constraints on their functioning and design. Here, we study a recently proposed model [Barkai, N. & Leibler, S. (2000) Nature (London) , 403, 267–268] that incorporates just the essential elements found experimentally. We show that this type of oscillator is driven mainly by two elements: the concentration of a repressor protein and the dynamics of an activator protein forming an inactive complex with the repressor. Thus, the clock does not need to rely on mRNA dynamics to oscillate, which makes it especially resistant to fluctuations. Oscillations can be present even when the time average of the number of mRNA molecules goes below one. Under some conditions, this oscillator is not only resistant to but, paradoxically, also enhanced by the intrinsic biochemical noise.

Gene Expression in Hybrids A large proportion of genes differ in their expression patterns between closely related species, and this divergence is believed to be an important driver of phenotypic evolution. However, little is known about the genetic basis of this divergence. Tirosh et al. (p. 659 ) use allele-specific expression profiling of two yeast species and their hybrid to identify which genes diverged in expression owing to changes in their genomic loci (cis) and which genes diverged owing to changes in their regulators (trans). The data can be used to explain the distinct gene expression pattern observed in the hybrid.

We present an approach for the analysis of genome-wide expression data. Our method is designed to overcome the limitations of traditional techniques, when applied to large-scale data. Rather than alloting each gene to a single cluster, we assign both genes and conditions to context-dependent and potentially overlapping transcription modules. We provide a rigorous definition of a transcription module as the object to be retrieved from the expression data. An efficient algorithm, which searches for the modules encoded in the data by iteratively refining sets of genes and conditions until they match this definition, is established. Each iteration involves a linear map, induced by the normalized expression matrix, followed by the application of a threshold function. We argue that our method is in fact a generalization of singular value decomposition, which corresponds to the special case where no threshold is applied. We show analytically that for noisy expression data our approach leads to better classification due to the implementation of the threshold. This result is confirmed by numerical analyses based on in silico expression data. We discuss briefly results obtained by applying our algorithm to expression data from the yeast Saccharomyces cerevisiae.