Geri Dön

Identifying gene regulatory communities from microarray time-series expression profiles using hidden Markov models

Düzenleyici gen topluluklarının saklı Markov modelleri kullanılarak zaman serisi mikrodizi ekspresyon profillerinden belirlenmensi

PDF İndir

  1. Tez No: 286931
  2. Yazar: OSMAN MAHMUT ERYURT
  3. Danışmanlar: DOÇ. DR. ENGİN ERZİN, PROF. DR. ATTİLA GÜRSOY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyoistatistik, Biyomühendislik, Biostatistics, Bioengineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2011
  8. Dil: İngilizce
  9. Üniversite: Koç Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Zaman serisi mikrodizi verileri devam eden hücresel aktivitelerdeki birçok gen ifadesi seviyesinin dakikalardan günlere uzanan farklı zaman noktalarında ölçülmesini sağlar. Yüksek miktarda sonuç üreten deneylerin analizi otomatik ve bilgisayar destekli çözümler gerektirir. Bu çalışmada saklı Markov modelleri kullanılarak, periyodik gen ifadesi düzenlenmelerini tahmin edebilecek bir model önerdik. Modellimizin testleri ve öğrenme prosedürü için literatürde bulunan transkripsiyon ve protein seviyesindeki düzenlemeleri bilgilerinden faydalandık. Çalışmamızda Pramilla zaman serisi mikrodizi verilerini kullandık. Gen düzenlemelerinin tahminleri yapıldıktan sonra ?Gen Düzenlemeleri Komşuluk Ağlarını oluşturduk (GDKA). Oluşturduğumuz ağın altında topluluk yapısı gösteren alt ağların, biyolojik veri gruplarındaki potansiyelini popüler K-ortalama gruplama sonucu oluşan gruplarla karşılaştırarak değerlendirdik. Sonuçlar K-ortama gruplandırmasına göre topluluk yapısına göre oluşturulmuş alt ağların biyolojik terimler etrafından daha yoğun ve özgün bir gruplar oluşturduğunu gösterdi.

Özet (Çeviri)

Time series microarrays capture multiple gene expression levels at discrete time points varying from minutes to days of a continuous cellular process. Analysis of high through put data requires automated and computer aided solutions. We propose a hidden Markov model (HMM) based approach to identify regulatory relations between the periodic genes from the cell cycle time-series microarrays. We train and test our models by using distinct types of biological data present literature. In our study we use Pramila time series dataset. Training gene pairs include transcriptional regulation and protein level regulation. After identification of gene to gene regulatory relationships, we form a network of gene regulation relationships: Gene Regulatory Neighborhood Networks (GRNN). We explore potential use of sub networks (communities) in GRNN by comparing gene clusters found by popular clustering algorithms such as K-means clustering. Our results indicate we manage to identify denser and more specific enrichment in community structure based clusters than the clusters acquired with K-means.

Benzer Tezler

  1. Tez No

    720778

    Gen ifadesi verilerinden derin öğrenme yaklaşımıyla genler arası dolaylı etkileşimlerin ortaya çıkarılması

    Discovery of indirect interactions between genes by deep learning using gene expression data

    GÜLCE ÇELEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    BiyomühendislikYıldız Teknik Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    DOÇ. DR. ALPER YILMAZ

  2. Tez No

    509174

    Identification of mirna regulatory pathways in complex diseases

    Kompleks hastalıklarda mirna düzenleyici yolakların belirlenmesi

    İLKNUR MELİS DURASI KUMCU

    Doktora

    İngilizce

    İngilizce

    2018

    GenetikSabancı Üniversitesi

    Moleküler Biyoloji, Genetik ve Biyoteknoloji Ana Bilim Dalı

    PROF. DR. DEVRİM GÖZÜAÇIK

  3. Tez No

    270387

    Linkage analysis and candidate gene approach in three disorders

    Üç hastalıkta bağlantı analizi ve aday gen yaklaşımı

    YEŞERİN YILDIRIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2010

    GenetikBoğaziçi Üniversitesi

    Moleküler Biyoloji ve Genetik Ana Bilim Dalı

    PROF. DR. ASLIHAN TOLUN

  4. Tez No

    196850

    Identification of perturbation-responsive key transcription factors in transcriptional regulatory networks

    Transkripsiyonel düzenleyici ağlarda genetik ve çevresel değişimlere en anlamlı yanıt veren transkripsiyon faktörlerinin saptanması

    FATMA BESTE KINIKOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2006

    BiyomühendislikBoğaziçi Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    PROF.DR. BETÜL KIRDAR

    PROF.DR. ZEYNEP İLSEN ÖNSAN

  5. Tez No

    887621

    Visualization based analysis of gene networks using high dimensional model representation

    Yüksek boyutlu model gösterilim kullanılarak gen ağlarının görselleştirme tabanlı analizi

    PINAR GÜLER

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Hesaplamalı Bilim ve Mühendislik Ana Bilim Dalı (disiplinlerarası)

    DR. ÖĞR. ÜYESİ SÜHA TUNA

Geri Dön