Dissertação

Unravelling breast and prostate common gene singnatures by Bayesian network learning EVALUATED

O cancro da mama invasivo e o adenocarcinoma da próstata são dois dos tipos de cancro mais comuns em mulheres e homens, respectivamente. Como tumores dependentes de hormonas para o seu crescimento, os dois cancros partilham consideráveis similaridades biológicas subjacentes, que merecem ser exploradas com o objectivo de desenvolver terapias comuns. Esta tese propõe uma metodologia para revelar assinaturas de genes comuns a cancro da mama e da próstata, baseada na aprendizagem de redes de Bayes. Foram medidos aproximadamente 20000 genes de RNA-Seq BRCA e PRAD, disponíveis no The Cancer Genome Atlas (TCGA). Além de aprender as redes de Bayes a partir de dados não regularizados, uma etapa prévia de redução de dimensionalidade baseada em regressão logística esparsa com penalização elastic net é utilizada para seleccionar um conjunto de genes relevantes, para maior interpretabilidade dos resultados. A solução proposta foi validada usando dados reais e também dois conjuntos de dados aleatórios, gerados simulando a partir de uma distribuição normal multivariada, com as médias e covariâncias das variáveis nos dados reais. As redes de Bayes obtidas foram validadas por comparação com informação disponível na STRING, uma base de dados que contém interacções de genes conhecidas. Foi obtida uma sobreposição considerável entre as redes de genes identificados e as informações de rede da STRING, sendo tal uma forte indicação de que as redes aprendidas podem ser biologicamente significativas. Além disso, foram encontrados genes associados a vários hallmarks do cancro, o que merece aprofundamento e validação biológica junto de especialistas da área.
cancro da mama invasivo, adenocarcinoma da próstata, redes de Bayes, regressão logística esparsa, expressão genética

Julho 20, 2018, 11:0

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Susana de Almeida Mendes Vinga Martins

Departamento de Engenharia Informática (DEI)

Professor Associado

ORIENTADOR

Alexandra Sofia Martins de Carvalho

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar