Bayesian networks for omics data analysis in hepatocellular carcinoma single-cell sequencing
Hepatosellüler karsinomun tekil hücre diziliminde omiklerin veri analizi için Bayes ağları
- Tez No: 661476
- Danışmanlar: DR. ÖĞR. ÜYESİ İDİL YET
- Tez Türü: Yüksek Lisans
- Konular: Genetik, Genetics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoenformatik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 115
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
- Bayesian networks for evidence based clinical decision support
Başlık çevirisi yok
BARBAROS YET
Doktora
İngilizce
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolQueen Mary University of LondonDR. WILLIAM MARSH
- Sürekli Bayesci ağlar için genelleştirilmiş lineer modeller yaklaşımı
Generalized linear models approach for continuous Bayesian networks
SELİN CEREN TURAN
Doktora
Türkçe
2022
İstatistikOndokuz Mayıs Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. MEHMET ALİ CENGİZ
- Bir tekstil fabrikasında bayes ağlarının bakım planı değerlendirmesi için uygulanması
Using bayesian networks for evaulating a maintanence plan in a textile factory
ELİF DOĞDU
Yüksek Lisans
Türkçe
2012
Endüstri ve Endüstri MühendisliğiErciyes ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SELDA KAPAN ULUSOY
- Covid-19 verileri için Bayes ağları ile makine öğrenmesi
Machine learning with bayesian networks for Covid-19 data
HÜSEYİN CAN YILMAZ
Yüksek Lisans
Türkçe
2022
BiyoistatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. SERPİL AKTAŞ ALTUNAY
- Dinamik çığ tehlike değerlendirmesi için CBS ve BAYES ağlarının entegrasyonu
Integration of GİS and Bayesian networks for dynamic avalanche assessment
İPEK YILMAZ
Yüksek Lisans
Türkçe
2019
Jeodezi ve FotogrametriOndokuz Mayıs ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERYA ÖZTÜRK