Συντάχθηκε 08-07-2013 11:28
από Eleni Stamataki
Email συντάκτη: estamataki<στο>tuc.gr
Ενημερώθηκε:
-
Ιδιότητα: σύνταξη/αποχώρηση υπάλληλος.
Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Μεταπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΔΙΑΤΡΙΒΗΣ
ΚΑΛΑΝΤΖΑΚΗ ΚΑΛΛΙΟΠΗ
με θέμα
Διαχείριση–Συσχετισμός Γονιδιακής Πληροφορίας μέσω Γράφων
Correlation Analysis of Genome Information via Graphs
Δευτέρα 15 Ιουλίου 2013, 11πμ
Αίθουσα 145.Π42, Κτίριο Επιστημών, Πολυτεχνειούπολη
Εξεταστική Επιτροπή
Καθηγητής Ζερβάκης Μιχάλης (επιβλέπων)
Καθηγητής Γαροφαλάκης Μίνως
Καθηγητής Πετράκης Ευριπίδης
Περίληψη
Κατά τα τελευταία χρόνια έχει υπάρξει ένα αυξανόμενο ενδιαφέρον για τη μελέτη των υποκείμενων γενετικών / πρωτεϊνικών μηχανισμών πίσω από την ανακάλυψη των γενετικών αλληλεπιδράσεων μεταξύ των μορίων. Αυτό το είδος της γνώσης είναι μεγάλης σημασίας σε πολλούς επιστημονικούς τομείς όπως η κλινική πρόγνωση, διάγνωση και θεραπεία. Διάφορες μεθοδολογικές προσεγγίσεις έχουν προταθεί για την ανάλυση των γενετικών αλληλεπιδράσεων όσον αφορά την πρόβλεψη των γενετικών αλληλεπιδράσεων και για την μοντελοποίηση των εξαρτήσεων μεταξύ των μορίων. Το μελέτη αυτή διερευνά δύο διαφορετικές πτυχές. Στην πρώτη προσέγγιση εκτιμούμε τις γενετικές αλληλεπιδράσεις μεταξύ των συνόλων των γονιδίων / πρωτεϊνών χρησιμοποιώντας δύο μεθόδους: Η πρώτη βασίζεται σε μερικές συσχετίσεις (partial correlations-PC), ενώ ο δεύτερη είναι ένας προτεινόμενος αλγόριθμος βασιζόμενος στον kernel density estimation (KDE). Θα συγκρίνουμε τις δύο προσεγγίσεις και προτείνουμε τον KDE ως χρήσιμη προσέγγιση για ελλειπή γονιδιακά δεδομένα έκφρασης. Επίσης επεκτείναμε το πρόβλημα της γενετικής κατασκευής δικτύων και να δείξουμε τη σημασία της συμπερίληψης έμμεσων γενετικές συσχετίσεις για την εκτέλεση αυτών των αλγοριθμικών προσεγγίσεων. Στο δεύτερο μέρος της εργασίας αυτής εκτιμούμε τις εξαρτήσεις στο προτεινόμενο γενετικό δίκτυο, σύμφωνα με τις παραπάνω δύο προσεγγίσεις. Χρησιμοποιούμε Gaussian γραφικά μοντέλα, προκειμένου να περιγράψουμε τις εξαρτήσεις μεταξύ των εμπλεκόμενων κόμβων / μόρια. Για το σκοπό αυτό, προτείνουμε μια μεθοδολογία που βασίζεται σε KDE που ενσωματώνει αυτές τις ενώσεις ως Gaussian προσεγγίσεις με μη-γραμμικές παραμέτρους. Εφαρμόζουμε την μεθοδολογία μας σε τρεις διαφορετικές βάσεις δεδομένων, τον πρωτότυπο οργανισμό Arabidopsis thaliana και συνεχίζουμε με πολύπλοκες ασθένειες, όπως του στόματος και του καρκίνου του μαστού. Τα αποτελέσματα δείχνουν στατιστική και βιολογικών σημασία,. Τονίζουν, επίσης, νέες γενετικές δομές που πιθανώς είναι υπεύθυνες για την ανάπτυξη του καρκίνου. Τέλος, εφαρμόσαμε στατιστικούς αλγόριθμους για εφαρμογές που βασίζονται σε μονο-νουκλεοτιδία πολυμορφισμών (SNPs). Επισημάναμε συγκεκριμένες περιοχές του γονιδιώματος που δείχνουν στατιστική σημαντικότητα στην οστεοαρθρίτιδα (OA) ασθένεια. Τα αποτελέσματα δείχνουν συγκεκριμένα γονίδια που ευθύνονται για την εξέλιξη της ΟΑ.
Abstract
During the past few years there has been an increasing interest in studying the underlying genetic/proteomic mechanisms behind the discovery of genetic interactions between molecules. This kind of knowledge is of great importance in many scientific areas such as clinical prognosis, diagnosis and treatment. In this context, various methodological approaches have been suggested for the analysis of genetic interactions in terms of predicting the genetic/proteomic associations and for modeling the dependencies among the studied molecules. This work explores two distinct aspects. In the first approach we estimate the genetic interactions between sets of genes/proteins of interest in which we use two methodologies; the first is a standard technique that relies on partial correlations (PC) while the second is a proposed algorithm based on kernel density estimation (KDE). We compare the two approaches and we highlight KDE as a useful approach for sparse genomic expression data. We also expand the aspect of genetic network construction and we show the importance of including indirect genetic associations for the performance of such algorithmic approaches. In the second part of this work we estimate the dependencies on the extracted genetic structure, according to above two approaches. We use Gaussian graphical models in order to describe the dependencies among the involved nodes/molecules. For this purpose, we propose a methodology based on KDE that incorporates these associations as Gaussian approximations with non-linear parameters. We apply our methodology on three separate datasets, starting from the prototype organism Arabidopsis Thaliana and continuing with complex diseases such oral and breast cancer. The results indicate statistical and biological validity according to various datasets are researches. They also highlight new genetic structures possibly responsible for cancer development. Lastly, we applied statistical algorithms for applications based on Single-nucleotide polymorphisms (SNPs). We highlighted specific genomic regions on DNA that show statistical significance in osteoarthritis (OA) disease. The results indicate specific genes responsible for OA progression.
Συνημμένα:
-
ΑΝΑΚΟΙΝΩΣΗ ΚΑΛΑΝΤΖΑΚΗ ΚΑΛ..docx
Μεταφορτώσεις: 111,
Μέγεθος: 30 KB application/vnd.openxmlformats-officedocument.wordprocessingml.document
