Uncovering hidden connections and functional modules via pyparagon: A hybrid approach for network contextualization
Gizli etkileşimler ve fonksiyonel modüllerin hibrit bir ağ bağlamsallaştirma araci pyparagon ile açiğa çikarilmasi
- Tez No: 852346
- Danışmanlar: YRD. DOÇ. DR. AYBAR CAN ACAR, DOÇ. DR. NURCAN TUNÇBAĞ
- Tez Türü: Doktora
- Konular: Biyoistatistik, Biyoloji, Genetik, Biostatistics, Biology, Genetics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Tıp Bilişimi Ana Bilim Dalı
- Bilim Dalı: Biyoinformatik ve Sistem Biyolojisi Bilim Dalı
- Sayfa Sayısı: 133
Özet
En son omiks teknolojileri, hastalık durumları, hastalar ve ilaç bozuklukları gibi çeşitli biyolojik bağlamlarda moleküler bilgi sağlamaktadır. Ağ varsayım ve yeniden yapılandırma yöntemleri, belirli biyomoleküler etkileşimler ve hücresel süreçlerle bağlamlı ağlar oluşturmak için birkaç omiks veri kümesi kullanır. Referans ağlarının kapsamını, referans ağlarında kısıtlamaları tespit etmek için önceki bilginin yolları, üç boyutlu etkileşim yapısı ve gen/protein yayın sayımları gibi çeşitli kategorilerde karşılaştırdık. Yeniden yapılandırma algoritmalarının sınırlamalarını sinyal yolaklarını inceledik. Bağlamsallaştırılmış ağ oluşturmak birkaç zorlu meseleye sahiptir: (i) Omiks çıktılar referans ağlara göre çok küçük kalırlar. (ii) Değerlendirme yöntemleri, multi-omiks verisetlerini değerlendirirken omiks veri kümelerinde önemli çıktıları bağlayan gizli bilgiyi kaçırabilirler. iii) Referans ağlardaki çok çalışılan proteinler bağlamsallaştırmada yanlılığı beraberinde getirir. (iv) Yüksek sayıda bağlantıya sahip düğümler, ya da hublar, oluşturulan ağlarda özel olmayan veya yanlış etkileşimlerin olmasına yol açar. Bu zorluklarla başa çıkmak için pyPARAGON (PAgeRAnk-flux on Graphlet-guided network for multi-Omics data integratioN)'u geliştirdik. PyPARAGON, ağ yayılmasını graphlets ile birleştirerek aynı zamanda hassasiyetini artırırken ve bağlam dışı ağlarda spesifik olmayan etkileşimlerin varlığını azaltmaktadır. pyPARAGON'un performansını, kanserle ilişkili sinyal yollarını yeniden yapılandırarak ve farklı kanser türlerinin bağlamsal modelleri ile test ettik. Ayrıca, pyPARAGON, önemli biyolojik süreçlerle tümör spesifik ağları ve ortak yollarındaki sinyal gücü de dahil olmak üzere bağlamlı nörolojik gelişim bozuklukları ve kanser modelleri gibi durum çalışmalarında umut verici bir performans sergiledi.
Özet (Çeviri)
State-of-the-art omics technologies provide molecular insights into various biological contexts, such as disease states, patients, and drug perturbations. Network inference and reconstruction methods utilize several omics datasets to create context-based networks that reveal the interactions of biomolecules and the functioning of cells. We compared the coverage of reference networks in several categories of prior knowledge, such as pathways, three-dimensional structures of interactions, and publication counts of genes/proteins to detect constraints in reference networks. Additionally, we examined the limitations of reconstruction algorithms by inferring signaling pathways. Contextualized network inference has several challenging issues: i) Hits from omics datasets are sparse in reference networks. ii) Interpretation methods can miss hidden knowledge that connects significant hits in omics datasets while evaluating multi-omics datasets. iii) Well-studied proteins in reference networks come along with bias in contextualization. iv) Highly connected nodes, or hubs, cause unspecific and noisy interactions in inferred networks. To overcome these challenges, we developed pyPARAGON (PAgeRAnk-flux on Graphlet-guided network for multi-Omics data integratioN). Combining network propagation with graphlets, pyPARAGON also improves precision and reduces the presence of non-specific interactions in contextualized networks. We tested the performance of pyPARAGON by reconstructing cancer-associated signaling pathways and setting contextual models of different cancer types. Moreover, pyPARAGON has promising performance in case studies such as tumor-specific networks with significant biological processes and contextualized neurodevelopmental disorders and cancer models, including signal strength on their shared pathways.
Benzer Tezler
- Apriori algoritması ile kitap oylamaları analizi
Book voting analysis of Apriori algorithm
MERVE KÖLE
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolManisa Celal Bayar ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMİN BORANDAĞ
- A framework for the embodiment of empathy in design education: Exploring empathic perspective-taking of design teachers in design conversations
Tasarım eğitiminde empatinin somutlaşması için bir çerçeve: Tasarım eğitmenlerinin tasarım konuşmalarındaki empatik bakış açılarını keşfetmek
PELİN EFİLTİ
Doktora
İngilizce
2024
Endüstri Ürünleri Tasarımıİstanbul Teknik ÜniversitesiEndüstriyel Tasarım Ana Bilim Dalı
DOÇ. DR. KORAY GELMEZ
- Müşteri ilişkileri yönetimi, veri madenciliği ve bir uygulama
CRM, datamining and an aplication
PELİN TEZCANLAR
- Yaşam boyu müşteri değeri modellemesi üzerine bir örnek uygulama
Modeling customer lifetime value on an example of application
SİNEM YILMAZ
Yüksek Lisans
Türkçe
2009
İstatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. ALİ HAKAN BÜYÜKLÜ
- Ekonomik büyümenin iç ve dış borçlanma ile arasındaki ilişkinin çapraz spektral analizi
A cross-spectral analysis of the relationship between economic growth and domestic and external debt
TUĞBA YILMAZ
Doktora
Türkçe
2024
EkonometriBursa Uludağ ÜniversitesiEkonometri Ana Bilim Dalı
PROF. DR. MUSTAFA SEVÜKTEKİN