search query: @keyword sitoutuminen / total: 9
results-list
reference: 3 / 9
« previous | next »
Author:Kähärä, Juhani
Title:Using DNase I hypersensitivity Data for Transcription Factor Binding Predictions
DNase I hypersensitiivisyysdatan käyttö transkriptiotekijöiden sitoutumisennusteissa
Publication type:Master's thesis
Publication year:2014
Pages:vii + 50 s. +liitt. 8      Language:   eng
Department/School:Sähkötekniikan korkeakoulu
Main subject:Laskennallinen ja kognitiivinen biotiede   (IL3003)
Supervisor:Lähdesmäki, Harri
Instructor:
Electronic version URL: http://urn.fi/URN:NBN:fi:aalto-201407012277
OEVS:
Electronic archive copy is available via Aalto Thesis Database.
Instructions
close

Reading digital theses in the closed network of the Aalto University Harald Herlin Learning Centre

In the closed network of Learning Centre you can read digital and digitized theses not available in the open network.

The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/

You can read theses on the Learning Centre customer computers, which are available on all floors.

Logging on to the customer computers

  • Aalto University staff members log on to the customer computer using the Aalto username and password.
  • Other customers log on using a shared username and password.

Opening a thesis

  • On the desktop of the customer computers, you will find an icon titled:

    Aalto Thesis Database

  • Click on the icon to search for and open the thesis you are looking for from Aaltodoc database. You can find the thesis file by clicking the link on the OEV or OEVS field.

Reading the thesis

  • You can either print the thesis or read it on the customer computer screen.
  • You cannot save the thesis file on a flash drive or email it.
  • You cannot copy text or images from the file.
  • You cannot edit the file.

Printing the thesis

  • You can print the thesis for your personal study or research use.
  • Aalto University students and staff members may print black-and-white prints on the PrintingPoint devices when using the computer with personal Aalto username and password. Color printing is possible using the printer u90203-psc3, which is located near the customer service. Color printing is subject to a charge to Aalto University students and staff members.
  • Other customers can use the printer u90203-psc3. All printing is subject to a charge to non-University members.
Location:P1 Ark Aalto  1622   | Archive
Keywords:transcription factor
binding modeling
DNase-seq
DNase I hypersensitivity
DNase footprints
transkriptiotekijä
sitoutuminen
sitoutumisennuste
DNase I hypersensitiivisyys
Abstract (eng):Transcription is a key information process in the cell and transcriptional regulation is largely controlled by DNA binding proteins called transcription factors.
Understanding transcription factor binding is integral to understanding the most important biological events, such as gene expression and the function of gene regulatory networks.
Currently transcription factor binding sites are determined by chromatin immunoprecipitation followed by sequencing, but this method has several limitations.
To overcome these caveats, DNase I hypersensitive sites sequencing is increasingly being used for mapping gene regulatory sites.
Computational tools are needed to accurately determine transcription factor binding sites from this new type of data.
In this work a novel method, BinDNase, is developed for detecting transcription factor binding sites using DNase I hypersensitivity data.
The method is applied to 57 different transcription factors in cell type K562.
We demonstrate that the prediction performance of BinDNase exceeds the performance of other existing methods.
Our results indicate that DNase I hypersensitivity data should be used in multiple resolutions instead of the highest possible resolution.
We also show that the binding predictions should be made separately for each transcription factor and that the sequencing depth of currently available data sets is sufficient for binding predictions for most transcription factors.
Finally, we show that models built with BinDNase generalize between different cell types making the method a powerful tool in transcription factor binding predictions using DNase I hypersensitivity data.
Abstract (fin):Transkriptio on solujen välttämätön informaatioprosessi ja transkriptiota säädellään pääasiassa DNA:han sitoutuvilla proteiineilla, joita kutsutaan transkriptiotekijöiksi.
Transkription ymmärtäminen on elintärkeää ymmärtääksemme tärkeimpiä biologisia toimintoja, kuten geeniekspressiota ja geenien säätelyverkostojen toimintaa.
Nykyään transkriptiotekijöiden sitoutumiskohdat määritetään sekvensoimalla geneettinen materiaali kromatiinin vasta-ainesaostuskokeesta, mutta tällä menetelmällä on useita heikkouksia.
Näiden ongelmien vuoksi DNaasi I hypersensitiivisten alueiden sekvensointia käytetään enenemässä määrin geenien säätelyalueita etsittäessä.
Laskennallisia menetelmiä tarvitaan määrittäämään transkriptiotekijöiden sitoutumiskohdat tarkasti käyttäen tätä uudenlaista dataa.
Tässä työssä kehitettiin uusi menetelmä, BinDNase, transkriptiotekijöiden sitoutumisennusteiden tekoon käyttäen DNase I hypersensitiivisyysdataa.
Menetelmää käytettiin ennustusten laatimiseen 57 eri transkriptiotekijälle solutyypissä K562 ja BinDNase:n ennusteet ovat tarkempia kuin muiden olemassa olevien menetelmien.
BinDNase:lla saadut tulokset viittaavat siihen, että DNase I dataa pitäisi käyttää usealla eri resoluutiolla tarkimman mahdollisen resoluution sijaan.
Tässä työssä osoitetaan, että ennusteet pitäisi tehdä erikseen kaikille transkriptiotekijöille ja että sekvensointisyvyys jo olemassa olevissa aineistoissa on riittävä ennustusten tekoon useimmilla transkriptiotekijöillä.
Näytämme vielä, että BinDNase:lla rakennetut mallit yleistyvät toisille solutyypeille.
Tämä tekee menetelmästä tehokkaan työkalun transkriptiotekijöiden sitoutumisennusteiden tekoon käyttäen DNase I hypersensitiivisyysdataa.
ED:2014-08-03
INSSI record number: 49467
+ add basket
« previous | next »
INSSI