Empreu aquest identificador per citar o enllaçar aquest ítem:
http://hdl.handle.net/10609/82525
Títol: | Obtención de redes de asociación directa con aplicación a datos ómicos |
Autoria: | Ainciburu Fernández, Marina |
Tutor: | Vegas Lozano, Esteban |
Altres: | Sánchez-Pla, Alex |
Resum: | Els microRNA (miRNA) són importants reguladors gènics, que inhibeixen la traducció i/o promouen la degradació de les seves RNA diana. Participen en processos essencials i juguen un paper en moltes patologies. Per això, establir les xarxes de regulació miRNA - gens pot ser important. Existeixen diversos mètodes computacionals de predicció de dianes. En aquest treball, explorem mètodes per inferir associacions directes a partir de dades d'expressió d'experiments de microarrays. Per a això, utilitzem algorismes que estimen correlacions parcials i permeten crear Gaussian Graphical Models (GGM) a partir de dades de grans dimensions, amb major nombre de variables que mostres. Avaluem el rendiment d'algorismes d'aquest tipus implementats en paquets de R aplicant-los a dades de diverses característiques: dades petites amb n > p, dades normals multivariantes simulats, dades genómicos simulats i dades reals d'expressió de mRNA i miRNA. Els resultats mostren la utilitat de les xarxes d'associació creades per GGM en dades amb poques variables i moltes mostres. No obstant això, la fallada d'aquests mètodes a l'hora d'inferir associacions es fa evident conforme augmenta el nombre de variables. |
Paraules clau: | GGM microARN xarxes d'associació directa |
Tipus de document: | info:eu-repo/semantics/masterThesis |
Data de publicació: | 5-jun-2018 |
Llicència de publicació: | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ |
Apareix a les col·leccions: | Trabajos finales de carrera, trabajos de investigación, etc. |
Arxius per aquest ítem:
Arxiu | Descripció | Mida | Format | |
---|---|---|---|---|
maincife7TFM0618memoria.pdf | Memoria del TFM | 985,88 kB | Adobe PDF | Veure/Obrir |
Comparteix:
Aquest ítem està subjecte a una llicència de Creative Commons Llicència Creative Commons