search query: @keyword gene expression / total: 13
reference: 1 / 13
« previous | next »
| Author: | Aittomäki, Viljami |
| Title: | MicroRNA regulation in breast cancer - a Bayesian analysis of expression data |
| MikroRNA-säätely rintasyövässä - ekspressiodatan bayesilainen analyysi | |
| Publication type: | Master's thesis |
| Publication year: | 2016 |
| Pages: | (7) + 53 s. + liitt. 11 Language: eng |
| Department/School: | Sähkötekniikan korkeakoulu |
| Main subject: | Laskennallinen ja kognitiivinen biotiede (IL3003) |
| Supervisor: | Vehtari, Aki |
| Instructor: | Lehtonen, Rainer |
| Electronic version URL: | http://urn.fi/URN:NBN:fi:aalto-201611025429 |
| Location: | P1 Ark Aalto 5402 | Archive |
| Keywords: | microRNA target prediction Bayesian analysis gene expression breast cancer microarray bayesilainen analyysi geeniekspressio kohdegeenien ennustaminen mikroRNA mikrosiru rintasyöpä |
| Abstract (eng): | MicroRNAs are a class of small, non-coding RNAs, which regulate gene expression post-transcriptionally. They downregulate genes by targeting messenger RNA transcripts and causing their degradation and inhibition of translation. Research has revealed microRNAs to participate in diverse cellular functions, such as differentiation and apoptosis, and many pathological processes, including cancer. Identification of microRNA target genes is crucial in understanding their function in cell biology and disease. A wide range of methods have been proposed for computational prediction of microRNA targets. Early target prediction methods used sequence information, while recent tools have integrated expression measurements of target genes and microRNAs. A limited number of studies have integrated protein, gene and microRNA expression for target prediction. Breast cancer is the most common cancer in women and a significant cause of morbidity and mortality globally. Analyses of gene expression data have provided insight into the pathogenesis of breast cancer, and intrinsic subtypes correlating with prognosis have been identified. A range of microRNAs have been indicated to contribute to breast cancer pathogenesis. In this thesis, a recent Bayesian variable selection method was applied for uncovering putative microRNA targets in breast cancer. The proposed model integrated protein, gene and microRNA expression data. Results were compared with another popular prediction method. Analyses showed that the proposed method is applicable to microRNA target prediction. Limitations and refinements of the method and study are discussed, and the importance of an integrative approach is highlighted. |
| Abstract (fin): | MikroRNA:t ovat lyhyitä RNA-molekyylejä, jotka säätelevät geeniekspressiota sitoutumalla lähetti-RNA-molekyyleihin estäen siten niiden translaation proteiiniksi. Aiemmat tutkimukset ovat osoittaneet, että mikroRNA:t osallistuvat monipuolisesti solujen toiminnan säätelyyn, kuten erilaistumiseen ja apoptoosiin, ja ovat osallisena monien tautien, kuten syövän synnyssä. MikroRNA:n säätelemien kohdegeenien tunnistaminen on olennainen askel mikroRNA:n toiminnan ymmärtämisessä. Kohdegeenien ennustamiseen on kehitetty lukuisia laskennallisia menetelmiä. Varhaiset menetelmät perustuivat RNA-sekvenssien vertailuun. Uudemmat työkalut yhdistävät geeni- ja mikroRNA-ekspressiodataa kohdegeenien tunnistamiseksi. Proteiini-, geeni- ja mikroRNA-ekspressiota yhdistäviä kohdegeenien tunnistamiseen tähtääviä tutkimuksia on julkaistu toistaiseksi suhteellisen vähän. Rintasyöpä on naisten yleisin syöpä ja merkittävä sairastavuuden ja kuolleisuuden aiheuttaja maailmanlaajuisesti. Geeniekspressiodatan analysointi on lisännyt tietoa rintasyövän synnystä, ja geeniekspressioon perustuen on kyetty tunnistamaan rintasyövän alatyyppejä, jotka korreloivat syövän ennusteeseen. MikroRNA:n on todettu olevan osatekijä rintasyövän synnyssä. Tässä diplomityössä sovellettiin äskettäin julkaistua bayesilaista muuttujavalintamenetelmää mikroRNA-molekyylien kohdegeenien ennustamiseen rintasyövässä. Tähän tarkoitukseen käytettiin proteiini-, geeni- ja mikroRNA- ekspressiodataa. Tulokset osoittivat, että menetelmä soveltuu kohdegeenien ennustamiseen. Työssä esitetään vaihtoehtoja mallin jatkokehittämiseksi. |
| ED: | 2016-11-13 |
INSSI record number: 54960
+ add basket
« previous | next »
INSSI