Συντάχθηκε 09-10-2015 09:55
από Esthir Gelasaki
Email συντάκτη: egelasaki<στο>tuc.gr
Ενημερώθηκε:
-
Ιδιότητα: υπάλληλος.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΤΣΑΚΑΝΕΛΗ ΣΤΑΥΡΟΥΛΑ
με θέμα
‘Αναπαράσταση και σύγκριση τοπολογικών δικτύων από πολλαπλές μεθοδολογικές προσεγγίσεις για γονιδιακή πρόγνωση του καρκίνου.’
‘Visualization and Comparison of Topological Networks from Multiple Approaches for Cancer Prognoses’
Δευτέρα 12 Οκτωβίου 2015, 1μμ
Αίθουσα 137.Π.39, Κτίριο Επιστημών, Πολυτεχνειούπολη
Εξεταστική Επιτροπή
Καθηγητής Ζερβάκης Μιχάλης (επιβλέπων)
Καθηγητής Πετράκης Ευριπίδης
Αναπληρώτρια Καθηγήτρια Μανιά Αικατερίνη
Περίληψη
Απώτερος στόχος της γονιδιωματικής επανάστασης, είναι η κατανόηση των γενετικών αιτίων, το ‘’αποτύπωμα’’ που καθορίζει τους ακριβείς τρόπους που οι γενετικές μόρια, όπως γονίδια και πρωτεΐνες, αλληλεπιδρούν για να κάνουν ένα πολύπλοκο σύστημα διαβίωσης, πίσω από φαινοτυπικά χαρακτηριστικά των οργανισμών. Στις μέρες μας, είναι διαθέσιμες τεχνολογίες γονιδιακής έκφρασης μεγάλης σημασίας σε πολλούς επιστημονικούς τομείς όπως η κλινική πρόγνωση, διάγνωση και θεραπεία. Η προσφορά αυτή έχει κάνει τουλάχιστον ένα μέρος αυτού του στόχου εφικτό και οδήγησε, βιολόγους σε συνεργασία με ειδικευμένους επιστήμονες/προγραμματιστές, να εισαγάγουν μια ποικιλία μεθοδολογικών προσεγγίσεων, κατάλληλη τόσο σε ποιοτικό όσο και ποσοτικό επίπεδο, για την μοντελοποίηση και την προσομοίωση, της ανάλυση των γενετικών αλληλεπιδράσεων όσον αφορά την πρόβλεψη των γενετικών και πρωτεομικών ενώσεων, καθώς και για την μοντελοποίηση των σχέσεων μεταξύ των προαναφερθέντων στοιχείων. Οι προσεγγίσεις αυτές έχουν τη δυνατότητα να αποσαφηνιστεί η επίδραση της φύσης και της τοπολογίας των αλληλεπιδράσεων αυτών, στις συστημικές ιδιότητες των οργανισμών.
Σε αυτή την διπλωματική, μοντελοποιούμε και επεξεργαζόμαστε, με την εφαρμογή δύο διαφορετικών μεθοδολογικών προσεγγίσεων, τις σχέσεις μεταξύ γονιδίων και πρωτεϊνών, προκειμένου να εξεταστούν οι μεταξύ τους σχέσεις και αλληλεπιδράσεις, με σκοπό και την εξαγωγή νέων γονιδιωματικών υπογραφών, οι οποίες έχουν καθοριστική και μεγάλη σημασία στη δημιουργία καρκίνου του μαστού και στη μετάσταση του καρκίνου. Αυτές οι προσεγγίσεις είναι δύο διαφορετικοί αλγόριθμοι, ο HotNet2 και ο Activity Vector,με την εφαρμογή των οποίων δημιουργούνται γονιδιακά υποδίκτυα αλληλεπίδρασης μετά την επεξεργασία των δεδομένων γονιδιακής έκφρασης, τα οποία έχουν επιλεγεί από ένα μεγαλύτερο σύνολο δεδομένων, και σε συνδυασμό με πρωτεϊνικά δίκτυα αλληλεπίδρασης. Τέλος, τα αποτελέσματα μας αξιολογούνται βάση της βιολογικής σημασίας τους καθώς και την στατιστική τους ικανότητα για την πρόβλεψη του καρκίνου σε ένα ανεξάρτητο δείγμα.
Abstract
The ultimate goal of the genomic revolution, is understanding the genetic causes, the blueprint that specifies the exact ways that genetic components, like genes and proteins, interact to make a complex living system, behind phenotypic characteristics of organisms. Nowadays, genome-wide gene expression technologies have been available and are of great importance in many scientific areas such as clinical prognosis, diagnosis and treatment. This availability has made at least a part of this goal closer and led, both biologists and computational scientists, to introduce a variety of methodological approaches, well suited for both qualitative and quantitative level modelling and simulation, for the analysis of genetic interactions in terms of predicting the genetic and proteomic associations as well as modelling the relationships among the studied genetic components. These approaches have the potential to elucidate the effect of the nature and topology of interactions on the systemic properties of organisms.
In this thesis, we model and process, by implementing two different methodological approaches, the relationships between genes and proteins, in order to examine relationships as well as novel genomic signatures, fundamental and of great significance in the creation of breast cancer and cancer metastasis. These approaches are two different algorithms, HotNet2 and Activity Vector, which create gene interaction subnetworks after processing gene expression data, which have been selected from a larger dataset, and protein-protein interaction networks. Finally, we evaluate the results, for their biological significance and their statistical prediction in an independent dataset.
