Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/149665
Título : | Exploring genetic patterns in cancer transcriptomes: an unsupervised learning approach |
Autoría: | Toledo Iglesias, Eloísa |
Tutor: | Rebrij, Romina |
Otros: | Ventura, Carles |
Resumen : | El cáncer es una enfermedad compleja y heterogénea que representa un importante problema de salud pública mundial debido a su creciente número de víctimas y a la ausencia de tratamientos eficaces. Se ha demostrado que las mutaciones y modificaciones del ARN desempeñan un papel crucial en el desarrollo y la progresión de los tumores. En este contexto, el estudio molecular de la biología del cáncer es de suma importancia, debido a su relevancia en la clasificación y comparación de múltiples tipos y subtipos de cáncer, permitiendo el desarrollo de terapias personalizadas y aumentando el éxito del tratamiento. Sin embargo, aunque las tecnologías RNA-seq, como la secuenciación Illumina Hiseq, han revolucionado la investigación médica, implican el análisis de cantidades extensas de complejos datos. Las técnicas de aprendizaje automático no supervisado pueden ser de gran ayuda para crear nuevas clasificaciones del cáncer, superando las limitaciones de las técnicas tradicionales. En este trabajo, se probaron diferentes enfoques de reducción de la dimensionalidad, como PCA y UMAP, y varios algoritmos no supervisados, incluidos algoritmos de partición, basados en la densidad, jerárquicos y basados en modelos, con el fin de identificar tipos y/o subtipos de cáncer según su expresión génica. Varios algoritmos, como k-means, PAM, CLARA y algoritmos jerárquicos aglomerativos utilizando la técnica UMAP para la reducción dimensional, demostraron la capacidad de clasificar los datos de expresión génica con un alto grado de precisión formando grupos bien separados. Estos resultados confirman el potencial de estos algoritmos para contribuir a la lucha contra el cáncer. |
Palabras clave : | Cancer transcriptome Unsupervised learning |
Tipo de documento: | info:eu-repo/semantics/masterThesis |
Fecha de publicación : | 16-ene-2024 |
Licencia de publicación: | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ |
Aparece en las colecciones: | Trabajos finales de carrera, trabajos de investigación, etc. |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
etoledoiFMDP0124report.pdf | Report of TFM | 3,74 MB | Adobe PDF | Visualizar/Abrir |
Comparte:
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons