haku: @instructor Nikkilä, Janne / yhteensä: 5
viite: 4 / 5
| Tekijä: | Lahti, Leo |
| Työn nimi: | Vertaileva toiminnallinen genomianalyysi assosiatiivisella ryhmittelymenetelmällä |
| Comparative functional genome analysis using associative clustering | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2003 |
| Sivut: | 63 Kieli: fin |
| Koulu/Laitos/Osasto: | Teknillisen fysiikan ja matematiikan osasto |
| Oppiaine: | Informaatiotekniikka (T-61) |
| Valvoja: | Kaski, Samuel |
| Ohjaaja: | Nikkilä, Janne |
| OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
| Sijainti: | P1 Ark Aalto 5315 | Arkisto |
| Avainsanat: | associative clustering comparative functional genomics gene expression data gene orthology assosiatiivinen ryhmittely geenien ilmenemisdata geenien ortologia vertaileva toiminnallinen genomiikka |
| Tiivistelmä (fin): | Helpommin tutkittavien malliorganismien kuten hiiren avulla tehtävä tutkimus voi auttaa ymmärtämään myös ihmisen geenien toimintaa. Lajeja vertailemalla saatava lisätieto on arvokasta, sillä geenien toiminnan selvittäminen on valtava urakka. Tämän työn tavoitteena on etsiä biologisen tutkimuksen kannalta kiinnostavia ihmisen ja hiiren vastingeenien ryhmiä. Tutkimukseen käytettävä assosiatiivinen ryhmittely on uusi eksploratiivisen data analyysin menetelmä. Eksploratiivisten menetelmien tavoitteena on nopean yleiskuvan muodostaminen tutkimusaineistosta ilman siihen liittyvää ennakkotietoa. Eksploratiivisten menetelmien avulla voidaan tuottaa hypoteeseja myöhemmän tutkimuksen tarpeisiin. Genominlaajuisen ilmenemisdatan avulla muodostettava vastingeenien assosiatiivinen ryhmittely maksimoi ihmisen ja hiiren geeniryhmien riippuvuudet Bayesilaisen riippuvuusmitan mielessä. Tällä tavalla löydetään vastingeeni ryhmiä, joiden toiminnallinen yhteys on muuhun aineistoon verrattuna poikkeuksellinen. Työn toisena tavoitteena on uuden assosiatiivisen ryhmittely menetelmän ominaisuuksien arviointi ja vertaaminen vaihtoehtoisiin menetelmiin. Assosiatiivinen ryhmittely osoittautui genomisten datajoukkojen vertailevassa analyysissa käyttökelpoiseksi eksploratiiviseksi menetelmäksi. Se onnistuu vaihtoehtoisia menetelmiä paremmin yhdistämään kaksi tavoitetta, riippuvuuksien mallintamisen ja helppotulkintaisuuden. Tutkimuksessa löydettiin potentiaalisesti mielenkiintoisia vastingeenien ryhmiä ja muodostettiin uusia hypoteeseja geenien yhteyksistä. Mahdollisten virhelähteideni merkitys ei ole tutkimuksen onnistumisen kannalta ratkaiseva, sillä muodostettavat hypoteesit on joka tapauksessa vahvistettava biologisissa tutkimuksissa. Tulosten biologisen merkityksen selvittäminen vaatii lisätutkimuksia. |
| Tiivistelmä (eng): | Better understanding of human gene function is often gained by research on model organisms such as mouse. Such additional information is valuable as understanding gene function and genetic networks in a genome-wide scale is a huge mission. The aim of this work is to find biologically interesting groups of orthologous mouse and human genes using two genome-wide expression data sets. Associative clustering is a new tool for exploratory data analysis. Exploratory methods are general-purpose instruments that illustrate the essential features of a data set. They do not require prior information of research data and are often used to produce new hypotheses for the purposes of later study. Associative clustering method finds human and mouse gene clusters so as to maximize a Bayesian dependency measure of the two sets of clusters. This reveals orthologous gene groups that are functionally exceptional with respect to other data. In this work, we also evaluate features of the new method and compare its performance to alternative methods. Associative clustering proves to be a useful exploratory method for comparative analysis of genome-wide expression data sets. Compared to alternatives, it is able to find a better compromise between dependency modeling and easily interpretable clusters. We could find potentially interesting groups of orthologous genes and to form new hypotheses about gene function. Possible sources of error are not crucial for analysis, as new hypotheses should be confirmed in biological studies. Further study is needed to find out the biological significance of the results. |
| ED: | 2004-01-08 |
INSSI tietueen numero: 21082
+ lisää koriin
INSSI