Institutional Repository
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Biclustering methods in gene analysis

Andritsou Dafni

Simple record


URIhttp://purl.tuc.gr/dl/dias/4D2829D5-6166-4220-9DFC-62EFA3A281D0-
Identifierhttps://doi.org/10.26233/heallink.tuc.68578-
Languageel-
Extent109 σελίδεςel
TitleMέθοδοι διπλής κατηγοριοποίησης στην ανάλυση γονιδίων el
TitleBiclustering methods in gene analysis en
CreatorAndritsou Dafnien
CreatorΑνδριτσου Δαφνηel
Contributor [Committee Member]Balas Costasen
Contributor [Committee Member]Μπαλας Κωσταςel
Contributor [Assistant]Bei Aikaterinien
Contributor [Assistant]Μπεη Αικατερινηel
Contributor [Committee Member]Lagoudakis Michaelen
Contributor [Committee Member]Λαγουδακης Μιχαηλel
Contributor [Thesis Supervisor]Zervakis Michalisen
Contributor [Thesis Supervisor]Ζερβακης Μιχαληςel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitΠολυτεχνείο Κρήτης: Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
Content SummaryΟι μικροσυστοιχίες DNA αποτελούν μία από τις πιο διαδεδομένες πειραματικές μεθόδους ταυτόχρονης ανάλυσης του τρόπου έκφρασης χιλιάδων γονιδίων σε διαφορετικά δείγματα ή σε διαφορετικές συνθήκες. Το γεγονός αυτό τις καθιστά ιδανικό εργαλείο για την ανάλυση και μελέτη καρκινικών ιστών, με στόχο την εύρεση των μοριακών μηχανισμών που διέπουν την ογκογένεση σε διάφορους τύπους καρκίνου και την περαιτέρω κατανόηση της νόσου. Τα δεδομένα γονιδιακής έκφρασης αναπαρίστανται με τη μορφή πινάκων όπου οι γραμμές αντιστοιχούν σε γονίδια και οι στήλες σε διάφορες πειραματικές συνθήκες. Στόχος των διάφορων τεχνικών ομαδοποίησης αποτελεί η εξαγωγή σημαντικών βιολογικών πληροφοριών που αφορούν ομάδες γονίδιων κάτω από συγκεκριμένες συνθήκες. Στην παρούσα εργασία επιλέγεται η εφαρμογή της μεθόδου διπλής κατηγοριοποίησης δεδομένων γονιδιακής έκφρασης που προέρχονται από δείγματα κυτταρικών σειρών τεσσάρων τύπων καρκίνου - του μαστού, των ωοθηκών, του ενδομητρίου και του τραχήλου της μήτρας - συγκεντρωμένα σ’ έναν πίνακα δεδομένων. Η μεθοδολογία που προτάθηκε, περιλάμβανε την εφαρμογή του αλγορίθμου διπλής κατηγοριοποίησης των Cheng και Church, εφαρμόζοντας σε αυτόν μια σειρά βελτιώσεων ούτως ώστε να εξάγουμε ταυτόχρονα ομάδες γονιδίων με ομοιόμορφη συμπεριφορά αλλά και συγκεκριμένο εύρος τιμών. Ο αριθμός γονιδίων (ανιχνευτών) που περιείχε ο πίνακας, ανερχόταν σε 33096, γεγονός που έκανε την μελέτη και την ανάλυση της συμπεριφοράς των γονιδίων δύσκολη. Γι’ αυτό το λόγο, μειώσαμε το πλήθος των γονιδίων προς ανάλυση στα 1000 γονίδια ανά καρκινικό τύπο, καθώς επίσης, εστιάσαμε στην εξέταση των τριών πρώτων ομάδων διπλής κατηγοριοποίησης (Βiclusters) που προέκυπταν κάθε φορά. Με αυτή τη διπλή κατηγοριοποίηση υποχώρου δεδομένων, καταφέραμε να δημιουργήσουμε ομάδες γονιδίων οι οποίες εμφάνιζαν γονίδια με όμοια συμπεριφορά κατά μήκος των κυτταρικών σειρών και παράλληλα το εύρος των τιμών τους ήταν μικρό, κάνοντας έτσι τις ομάδες πιο συνεκτικές και ικανές να εξάγουν σημαντικές βιολογικές πληροφορίες, όπως η συμμετοχή των γονιδίων που τις απαρτίζουν σε συγκεκριμένες βιολογικές διεργασίες (π.χ. μεταβολισμός, βιοσύνθεση μακρομορίων, αναπαραγωγή) και εξειδικευμένα μοριακά μονοπάτια (π.χ. οξειδωτική φωσφορυλίωση, μεταφορά RNA, ενδοκύττωση).el
Content SummaryDNA microarrays comprise one of the most widespread experimental methods. This fact makes them a perfect tool for analysis and evaluation of cancer tissues, with the aim to find those molecular mechanisms governing the formation of tumors in different types of cancer and a further understanding of this disease. Molecular expression data are depicted in tables where the lines represent the genes and the columns represent the different experimental conditions. The aim of the different grouping techniques is to elicit crucial biological information regarding gene groups under specific circumstances. In this essay the method selected was the double categorization of gene expression data coming from samples of cell arrays of four different types of cancer (breast, ovarian, endometrial, cervical) gathered on a data table. The methodology proposed included the application of the Cheng & Church biclustering algorithm, by applying a series of revisions to it so as to elicit gene groups with similar patterns and a specific value range simultaneously. The number of genes (probes) included in the table rose to 33096, a fact that posed a serious burden to the study and analysis of the genes. For that reason, we brought the number of genes analyzed down to 1000 per type of cancer as well as focusing on studying the first three Biclusters each time. With this double categorization of data subspace we managed to create gene groups which showed genes with similar patterns along the cell arrays and, at the same time, their value range was small, making these groups more coherent and offering us the opportunity to elicit crucial biological information, such as the involvement of their genes in concrete biological processes (e.g., metabolism, macromolecular biosynthesis, reproduction) and specific molecular pathways (e.g., oxidative phosphorylation, RNA transfer, endocytosis).en
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2017-07-10-
Date of Publication2017-
SubjectΑνάλυση γονιδίωνel
SubjectBiclusteringen
Bibliographic CitationΔάφνη Ανδρίτσου, "Mέθοδοι διπλής κατηγοριοποίησης στην ανάλυση γονιδίων ", Διπλωματική Εργασία, Πολυτεχνείο Κρήτης: Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Χανιά, Ελλάς, 2017el
Bibliographic CitationDafni Andritsou, "Biclustering methods in gene analysis ", Diploma Work, Πολυτεχνείο Κρήτης: Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Chania, Greece, 2017en

Available Files

Services

Statistics