Geri Dön

Bayesian networks for omics data analysis in hepatocellular carcinoma single-cell sequencing

Hepatosellüler karsinomun tekil hücre diziliminde omiklerin veri analizi için Bayes ağları

PDF İndir

  1. Tez No: 661476
  2. Yazar: MUNTADHER ZAHID JIHAD
  3. Danışmanlar: DR. ÖĞR. ÜYESİ İDİL YET
  4. Tez Türü: Yüksek Lisans
  5. Konular: Genetik, Genetics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoenformatik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Tek hücreli çoklu omik teknikleri, kendi bireysel hücresel düzenlemelerine çok yönlü bir bakış açısı sağlayarak kanser heterojenliği gibi kompleks hastalıkların ortaya çıkarmada bir ilerleme göstermiştir. Bu çalışmada, tek hücre temelli hepatoselüler karsinomda genomik, epigenomik ve transkriptomik verileri entegre etmek için bir makine öğrenimi yaklaşımı olan Bayesian ağları (BN) uygulanmıştır. Bu amaçla, yayınlanmış bir çalışmadan hepatoselüler karsinomun 25 tekil hücre dizileme veri seti kullanılmıştır. Hepatosellüler karsinom (HSK), yüksek metastatik oranla en yaygın karaciğer kanseri türüdür ve kötü prognoza sahip olduğu düşünülmektedir. Tümör hücrelerinin heterojenliği, kanserin ilerlemesi, metastaz, terapötik direnç ve mortalite ile ilgilidir. Önce, DNA metilom ve transkriptom verileri tek başlarına analiz edilmiştir. Kopya sayısı varyasyonu, Gizli Markov Modeli yöntemi kullanılarak DNA metilom verilerinden tahmin edilmiştir. Omikler arasındaki nedensel ilişkiyi incelemek için üç BN modeli oluşturulmuştur. Modeller, en çok olabilirlik kestirimi (MLE) kullanılarak parametrelerine uydurulmuştur. Model değerlendirme için puana dayalı kriterler, Akaike bilgi kriteri (AIC) ve Bayes bilgi kriteri (BIC) kullanılmıştır. Anlamlı modele sahip 207 gen tespit edilmiştir. Farklı BN model izleyen genlerin HCC'de aynı yolakta yer aldığına işaret ederek, omiklerin ve birbirleriyle regülasyon mekanizmalarının heterojenliği gösterilmiştir.

Özet (Çeviri)

Single cell multi omics techniques have shown an advancement in unrevealing complex diseases like cancer heterogeneity by providing multi-faceted insight into their individual cellular regulations. In this study, a machine learning approach, Bayesian network (BN), has been applied to integrate genomic, epigenomic, and transcriptomic data in hepatocellular carcinoma at single cell resolution. Hepatocellular carcinoma (HCC) is the most common type of liver cancer with a high metastatic rate and reckoned for poor prognosis. Heterogeneity of tumor cells is concerned with cancer progression, metastasis, therapeutic resistance, and mortality. For this purpose, a dataset from a published study of 25 single cell sequencing of hepatocellular carcinoma were used. First, DNA methylome and transcriptome data were analyzed on their own. Copy number variations were estimated from DNA methylome data by using the Hidden Markov Model method. To reveal the causal relationship between the omics, three BN models were constructed. The models were fitted to their parameters by using maximum likelihood estimation. For model evaluation, score-based criteria, Akaike information criterion and Bayesian information criterion, were used. 207 genes with significant models have been detected. The heterogeneity of the omics and their regulation mechanisms with each other have been shown, by pointing to genes that follow different BN models that take place in major pathways in HCC.

Benzer Tezler

  1. Tez No

    1008497

    Development of a computational tool for multi-omics integration and bayesian network analysis of transposable element–derived promoter-proximal regulatory interactions

    Transpozon türevli promotor yakın düzenleyici etkileşimlerin çoklu-omik entegrasyon ve bayes ağlarıyla analizi için hesaplamalı bir araç geliştirilmesi

    NECATİ KAAN KUTLU

    Doktora

    İngilizce

    İngilizce

    2026

    BiyoteknolojiDokuz Eylül Üniversitesi

    Genom Bilimleri ve Moleküler Biyoteknoloji Ana Bilim Dalı

    PROF. GÖKHAN KARAKÜLAH

  2. Tez No

    401334

    Bayesian networks for evidence based clinical decision support

    Başlık çevirisi yok

    BARBAROS YET

    Doktora

    İngilizce

    İngilizce

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolQueen Mary Unıversıty Of London

    DR. WILLIAM MARSH

  3. Tez No

    333172

    Bayesian learning for cellular neural networks

    Hücresel sinir ağları için Bayesian öğrenme

    HAKAN METİN ÖZER

    Yüksek Lisans

    İngilizce

    İngilizce

    2013

    Elektrik ve Elektronik MühendisliğiKadir Has Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ATİLLA ÖZMEN

  4. Tez No

    478491

    Integration of Bayesian networks with dematel for causal risk analysis: A supplier selection case study in automotive industry

    Sebepsel risk analizi için bütünleşik Bayes ağları ve dematel yöntemi: Otomotiv endüstrisinde tedarikçi seçimi vaka çalışması

    RUKİYE KAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Endüstri ve Endüstri MühendisliğiHacettepe Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. BARBAROS YET

  5. Tez No

    601924

    Novel swarm intelligence algorithms for structure learning of bayesian networks and a comparative evalnation

    Bayes ağ yapılarının öğrenilmesi için yeni sürü zekası algoritmaları ve karşılaştırılmalı bir değerlendirme

    SHAHAB WAHHAB KAREEM

    Doktora

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYaşar Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET CUDİ OKUR

Geri Dön