Network inference: extension of linear programming model for time-series data

Bibliographic Details
Main Author: Matos, Marta R. A.
Publication Date: 2013
Format: Master thesis
Language: eng
Source: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
Download full: https://hdl.handle.net/1822/27867
Summary: Dissertação de mestrado em Engenharia Informática
id RCAP_6428dab0bfb007c683baeadda2c60212
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/27867
network_acronym_str RCAP
network_name_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository_id_str https://opendoar.ac.uk/repository/7160
spelling Network inference: extension of linear programming model for time-series data681.3:5757:681.3Dissertação de mestrado em Engenharia InformáticaWith the widespread availability of high-throughput technologies, it is now possible to study the behavior of dozens or even hundreds of gene/proteins through a single experiment. Still, these experiments provide only the gene/protein expression values, telling nothing about their interactions with each other. To understand these interactions, network inference methods need to be applied. By understanding such interactions, new light can be shed into biological processes and, in particular, into disease’s mechanisms of action, providing new insights for drug design: which genes/proteins should be targeted in order to cure/prevent a specific disease. In this thesis, we developed and tested two alternative extensions for a previously developed model based on linear programming. Such model infers signal transduction networks from perturbation steady-state data. The extensions now developed take advantage of perturbation time-series data, which further improves the resolution of causal relationships between genes/proteins. In a first phase, we use artificial networks with simulated data to test the performance of both extensions in different conditions. Additionally, we compare their performance to the original model and to a state-of-the-art model for perturbation timeseries data, DDEPN. Overall, our second extension exhibits a better performance, and significantly higher sensitivity. This extension assumes a given gene/protein can only influence its targets if it is in an active form. In a second phase, we use two experimental datasets related to ERBB signaling and evaluate the resulting networks: 1) by finding literature support for the inferred edges, and 2) by using a network assembled with Ingenuity IPA as true network to do a quantitative assessment. Our results are further compared to DDEPN and the original model in a quantitative way. Quantitatively, our second model extension is shown to perform better than both the original model and DDEPN. Qualitatively, we find literature support for most of the inferred edges in both datasets, while also inferring a few plausible edges for which no literature evidence was found.Com o uso generalizado de tecnologias de alto rendimento como os microarrays de ADN, torna-se comum estudar dezenas ou mesmo centenas de genes/proteínas numa única experiência. Contudo, estas experiências apenas nos permitem determinar a expressão dos genes/proteínas e nada nos dizem sobre as interações entre os mesmos. Assim, torna-se necessário o uso de métodos de inferência de redes, de modo a estudar as interações entre genes/proteínas. Ao perceber estas interações, não só é possível perceber melhor os processos biológicos em geral, como também o modo como actuam as doenças, de forma a desenvolver novos medicamentos. Nesta tese de mestrado, desenvolvemos e testámos duas extensões para um modelo baseado em programação linear. Este modelo infere redes de transdução de sinal a partir de experiências de RNAi em que as medidas são feitas após a perturbação, quando a rede se encontra em estado estacionário. Com as extensões desenvolvidas nesta tese é possível tirar partido de séries temporais de dados provenientes de experiências de RNAi, o que permite distinguir relações de causalidade entre proteínas. Numa primeira fase, usamos redes artificiais e dados simulados para testar a performance de ambas as extensões em diferentes condições. Além disso, comparamo-las com o modelo original e com um modelo recente, DDEPN, que usa séries temporais de dados de experiências em que a rede a inferir é perturbada. Em geral, a nossa segunda extensão obtém melhores resultados, principalmente em termos de sensibilidade. Esta extensão assume que só proteínas activas podem influenciar outras proteínas. Numa segunda fase, usamos dois conjuntos de dados experimentais e avaliamos os resultados obtidos: 1) procurando referências na literatura para as ligações inferidas, e 2) usando uma rede de referência para fazer uma avaliação quantitativa e estabelecer comparações com o modelo original e o DDEPN. Quantitativamente, a nossa segunda extensão obtém melhores resultados do que o modelo original e o DDEPN. Qualitativamente, encontrámos suporte na literatura para a maioria das ligações inferidas pela segunda extensão. Inferimos ainda algumas ligações bastante plausíveis, embora não tenhamos encontrado suporte para estas.Mendes, RuiKnapp, BettinaUniversidade do MinhoMatos, Marta R. A.20132013-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/27867eng201195585info:eu-repo/semantics/openAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2024-05-11T04:16:38Zoai:repositorium.sdum.uminho.pt:1822/27867Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-28T14:44:18.913277Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse
dc.title.none.fl_str_mv Network inference: extension of linear programming model for time-series data
title Network inference: extension of linear programming model for time-series data
spellingShingle Network inference: extension of linear programming model for time-series data
Matos, Marta R. A.
681.3:57
57:681.3
title_short Network inference: extension of linear programming model for time-series data
title_full Network inference: extension of linear programming model for time-series data
title_fullStr Network inference: extension of linear programming model for time-series data
title_full_unstemmed Network inference: extension of linear programming model for time-series data
title_sort Network inference: extension of linear programming model for time-series data
author Matos, Marta R. A.
author_facet Matos, Marta R. A.
author_role author
dc.contributor.none.fl_str_mv Mendes, Rui
Knapp, Bettina
Universidade do Minho
dc.contributor.author.fl_str_mv Matos, Marta R. A.
dc.subject.por.fl_str_mv 681.3:57
57:681.3
topic 681.3:57
57:681.3
description Dissertação de mestrado em Engenharia Informática
publishDate 2013
dc.date.none.fl_str_mv 2013
2013-01-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/27867
url https://hdl.handle.net/1822/27867
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 201195585
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron:RCAAP
instname_str FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron_str RCAAP
institution RCAAP
reponame_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
collection Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository.name.fl_str_mv Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
repository.mail.fl_str_mv info@rcaap.pt
_version_ 1833594851822665728

Similar Items