Institutional Repository
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Development and analysis of biological interaction networks

Tsakaneli Stavroula

Simple record


URIhttp://purl.tuc.gr/dl/dias/D5A68C70-18DB-48BD-8990-4863C9295AE4-
Identifierhttps://doi.org/10.26233/heallink.tuc.94367-
Languageen-
Extent139 pagesen
Extent7.4 megabytesen
TitleDevelopment and analysis of biological interaction networksen
TitleΑνάπτυξη και ανάλυση δικτύων βιολογικής αλληλεπίδρασηςel
CreatorTsakaneli Stavroulaen
CreatorΤσακανελη Σταυρουλαel
Contributor [Thesis Supervisor]Zervakis Michailen
Contributor [Thesis Supervisor]Ζερβακης Μιχαηλel
Contributor [Committee Member]Liavas Athanasiosen
Contributor [Committee Member]Λιαβας Αθανασιοςel
Contributor [Committee Member]Dollas Apostolosen
Contributor [Committee Member]Δολλας Αποστολοςel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Electrical and Computer Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
DescriptionMultiple sclerosis (MS) is a chronic inflammatory demyelinating disease that affects approximately 2.8 million persons globally. While there is currently no cure for this neurodegenerative disease, MS has become a highly manageable disease through treatment options like disease-modifying medications, that can help to control the symptoms and slow disease progression. Among them, interferon beta (IFNβ) therapy is a first-line treatment for MS but has shown to be only partially effective. Information from extensive databases for large groups of multiple sclerosis patients indicates that the natural history of MS evolves in two stages: (i) in the focal inflammatory process with flares, and ii) in disability that progresses irrespective of the focal inflammation (lesion or relapse) Thus, it is important to identify biomarkers that aid in early identification of the disease as well as of IFNβ responders. A second aim of our study was to identify biomarkers that aid in early identification of MS stages, i.e. the relapsing-remitting form (RRMS), the secondary progressive phase (SPMS) and the primary progressive MS (PPMS). Gene co-expression patterns for various phenotypes can be reveal with the aid of microarrays but the variation and heterogeneity of the disease act as limitations for the utility of gene-expression profiles. In addition, the different microarray platforms utilized, as well as the different experimental protocols followed, make difficult to combine gene-expression datasets from heterogeneous platforms and different studies. Another limitation is the great imbalance between the huge number of transcripts and genes (tens of thousands) and the relatively small number of available sample cases (hundreds). Furthermore, it is essential to combine feature-selection approaches and the ‘biological validity’ of the resulted gene biomarkers. Thus, our purpose in not only to focus on highly differential genes but combine different approaches in order to reach a gene signature after examining the relationships of gene signatures and deduce submodules of greater prognostic/diagnostic significance in relation to Multiple Sclerosis, the progression of the disease and future therapy. In this study, based on gene expression profiles from untreated, interferon treated patients and healthy subjects from publicly available datasets, we performed differential expression analysis and Pigengene network association (weighted correlation network analysis (WGCNA) and Bayesian networks modeling) so as to construct a high-confidence protein-protein (PPI) interaction network. Subsequently, aiming to find the most significant clustering modules and hub genes, we applied several topological analysis methods (cytoHubba plugin) followed by MCODE clustering algorithm. Our approach resulted in highly connected hub genes generating four highly reliable hub-gene-signatures. Finally, we approached the topic of drug repurposing by examining the drug-gene relationships through different databases. en
Content SummaryMultiple sclerosis (MS) is a chronic inflammatory demyelinating disease that affects approximately 2.8 million persons globally. While there is currently no cure for this neurodegenerative disease, MS has become a highly manageable disease through treatment options like disease-modifying medications, that can help to control the symptoms and slow disease progression. Among them, interferon beta (IFNβ) therapy is a first-line treatment for MS but has shown to be only partially effective. Information from extensive databases for large groups of multiple sclerosis patients indicates that the natural history of MS evolves in two stages: (i) in the focal inflammatory process with flares, and ii) in disability that progresses irrespective of the focal inflammation (lesion or relapse) Thus, it is important to identify biomarkers that aid in early identification of the disease as well as of IFNβ responders. A second aim of our study was to identify biomarkers that aid in early identification of MS stages, i.e. the relapsing-remitting form (RR-MS), the secondary progressive phase (SP-MS) and the primary progressive MS (PP-MS). Gene co-expression patterns for various pheno-types can be reveal with the aid of Microarrays but the variation and heterogeneity of the disease act as limitations for the utility of gene-expression profiles. In addition, the different microarray platforms utilized, as well as the different experimental protocols followed, are facts that make difficult to combine gene-expression datasets form heterogeneous platforms and different studies. Another limitation is the great imbalance between the huge number of transcripts and genes (tens of thousands) and the relatively small number of available sample cases (hundreds). Furthermore, it is essential to combine feature-selection approaches and the ‘biological validity’ of the resulted gene biomarkers. Thus, our purpose in not only to focus on highly differential genes but combine different approaches in order to reach a resulted signature after examining the relationships of genomic signatures and deduce submodules of greater significance in relation to Multiple Sclerosis, the progression of the disease and future therapy. In this study, based on gene expression profiles from untreated, interferon treated patients and healthy subjects from publicly available datasets, we performed differential expression analysis and Pigengene network association (weighted correlation network analysis (WGCNA) and Bayesian networks modeling) so as to construct a high-confidence protein-protein (PPI) interaction network. Subsequently, aiming to find the most significant clustering modules and hub genes, we applied several topological analysis methods (cytoHubba plugin) followed by MCODE clustering algorithm. Our approach resulted in highly connected hub genes generating four highly reliable hub-gene-signatures. Finally, we approached the topic of drug repurposing by examining the drug-gene relationships through different databases.en
Content SummaryΗ σκλήρυνση κατά πλάκας (ΣΚΠ) είναι μια χρόνια φλεγμονώδης απομυελινωτική νόσος που επηρεάζει περίπου 2,8 εκατομμύρια άτομα παγκοσμίως. Ενώ επί του παρόντος δεν υπάρχει θεραπεία για αυτή τη νευροεκφυλιστική νόσο, η σκλήρυνση κατά πλάκας έχει γίνει μια εξαιρετικά διαχειρίσιμη ασθένεια μέσω επιλογών θεραπείας όπως φάρμακα που τροποποιούν τη νόσο, που μπορούν να βοηθήσουν στον έλεγχο των συμπτωμάτων και στην επιβράδυνση της εξέλιξης της νόσου. Μεταξύ αυτών, η θεραπεία με ιντερφερόνη βήτα (IFNβ) είναι μια θεραπεία πρώτης γραμμής για τη σκλήρυνση κατά πλάκας, αλλά έχει αποδειχθεί μόνο μερικώς αποτελεσματική. Πληροφορίες από εκτεταμένες βάσεις δεδομένων για μεγάλες ομάδες ασθενών με σκλήρυνση κατά πλάκας δείχνουν ότι η φυσική ιστορία της ΣΚΠ εξελίσσεται σε δύο στάδια: (i) στην εστιακή φλεγμονώδη διαδικασία με εξάρσεις και ii) στην αναπηρία που εξελίσσεται ανεξάρτητα από την εστιακή φλεγμονή (βλάβη ή υποτροπή ). Επομένως, είναι σημαντικό να εντοπιστούν βιοδείκτες που βοηθούν στην έγκαιρη αναγνώριση της νόσου καθώς και των ανταποκρινόμενων στην IFNβ. Ένας δεύτερος στόχος της μελέτης μας ήταν να εντοπίσουμε βιοδείκτες που βοηθούν στην πρώιμη αναγνώριση σταδίων ΣΚΠ, δηλαδή της υποτροπιάζουσας-διαλείπουσας μορφής (RR-MS), της δευτερογενούς προϊούσας φάσης (SP-MS) και της πρωτοπαθούς προϊούσας σκλήρυνσης κατά πλάκας (PP-MS).  Μοτίβα συνέκφρασης γονιδίων για διάφορους φαινοτύπους μπορούν να αποκαλυφθούν με τη βοήθεια μικροσυστοιχιών, αλλά η ποικιλία και η ετερογένεια της νόσου λειτουργούν ως περιορισμοί για τη χρησιμότητα των προφίλ γονιδιακής έκφρασης. Επιπλέον, οι διαφορετικές πλατφόρμες μικροσυστοιχιών που χρησιμοποιούνται, καθώς και τα διαφορετικά πειραματικά πρωτόκολλα που ακολουθούνται, είναι γεγονότα που καθιστούν δύσκολο τον συνδυασμό συνόλων δεδομένων γονιδιακής έκφρασης από ετερογενείς πλατφόρμες και διαφορετικές μελέτες. Ένας άλλος περιορισμός είναι η μεγάλη ανισορροπία μεταξύ του τεράστιου αριθμού μεταγραφών και γονιδίων (δεκάδες χιλιάδες) και του σχετικά μικρού αριθμού διαθέσιμων περιπτώσεων δειγμάτων (εκατοντάδες). Επιπλέον, είναι σημαντικό να συνδυαστούν οι προσεγγίσεις επιλογής χαρακτηριστικών και η «βιολογική εγκυρότητα» των βιοδεικτών γονιδίου που προέκυψαν. Έτσι, ο σκοπός μας είναι όχι μόνο να επικεντρωθούμε σε υψηλά διαφοροποιημένα γονίδια, αλλά να συνδυάσουμε διαφορετικές προσεγγίσεις για να φτάσουμε σε μια υπογραφή αφού εξετάσουμε τις σχέσεις μεταξύ των γονιδιωματικών υπογραφών και να συναγάγουμε υποδίκτυα μεγαλύτερης σημασίας σε σχέση με τη Σκλήρυνση κατά Πλάκας, την εξέλιξη της νόσου και τη μελλοντική θεραπεία. Σε αυτή τη μελέτη, με βάση τα προφίλ γονιδιακής έκφρασης από ασθενείς που δεν υποβλήθηκαν σε θεραπεία με ιντερφερόνη και υγιή άτομα από δημόσια διαθέσιμα σύνολα δεδομένων, πραγματοποιήσαμε ανάλυση διαφορικής έκφρασης και συσχέτιση δικτύου Pigengene (σταθμισμένη ανάλυση δικτύου συσχέτισης (WGCNA) και μοντελοποίηση δικτύων Bayes) έτσι ώστε να κατασκευάσουμε μια δίκτυο αλληλεπίδρασης πρωτεΐνης-πρωτεΐνης υψηλής εμπιστοσύνης (PPI). Στη συνέχεια, με στόχο την εύρεση των πιο σημαντικών μονάδων ομαδοποίησης και σημαντικών γονιδίων, εφαρμόσαμε διάφορες μεθόδους τοπολογικής ανάλυσης (cytoHubba) ακολουθούμενες από τον αλγόριθμο ομαδοποίησης MCODE. Η προσέγγισή μας είχε ως αποτέλεσμα υψηλά συνδεδεμένα γονίδια (hub) που παράγουν τέσσερις εξαιρετικά αξιόπιστες υπογραφές γονιδίου κόμβου με υψηλή απόδοση ταξινόμησης. Τέλος, προσεγγίσαμε το θέμα της επαναχρησιμοποίησης φαρμάκων εξετάζοντας τις σχέσεις φαρμάκου-γονιδίου μέσω διαφορετικών βάσεων δεδομένων.el
Type of ItemΜεταπτυχιακή Διατριβήel
Type of ItemMaster Thesisen
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2022-12-21-
Date of Publication2022-
SubjectBioinformaticsen
SubjectMachine learningen
Bibliographic CitationStavroula Tsakaneli, "Development and analysis of biological interaction networks", Master Thesis, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2022en
Bibliographic CitationΣταυρούλα Τσακανέλη, "Ανάπτυξη και ανάλυση δικτύων βιολογικής αλληλεπίδρασης", Μεταπτυχιακή Διατριβή, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2022el

Available Files

Services

Statistics