Ανάλυση Ελεύθερων Δεδομένων Γονιδιακής Έκφρασης στο Ακανθοκυτταρικό Καρκίνωμα του Στόματος

Analysis of Publicly Available Gene Expression Data Regarding Oral Squamous Cell Carcinoma (Αγγλική)

  1. MSc thesis
  2. ΚΥΡΕΣ, ΠΕΤΡΟΣ
  3. Βιοπληροφορική και Νευροπληροφορική (ΒΝΠ)
  4. 31 Ιουλίου 2021 [2021-07-31]
  5. Ελληνικά
  6. 192
  7. ΚΟΥΜΑΚΗΣ, ΕΛΕΥΘΕΡΙΟΣ
  8. ΜΑΡΚΟΠΟΥΛΟΥ, ΣΟΥΛΤΑΝΑ | ΧΑΤΖΗΝΙΚΟΛΑΟΥ, ΜΑΡΙΑ
  9. μετα-ανάλυση | meta-analysis | ακανθοκυτταρικό καρκίνωμα | squamous cell carcinoma | μικροσυστοιχίες | microarrays | μηχανική μάθηση | machine learning | βιολογικά δίκτυα | biological networks | γονιδιακή έκφραση | gene expression
  10. 5
  11. 3
  12. 204
  13. ΕΙΚΟΝΑ 1. ΓΡΑΦΙΚΗ ΑΝΑΠΑΡΑΣΤΑΣΗ ΙΣΤΟΛΟΓΙΚΗΣ ΕΙΚΟΝΑΣ ΣΤΟΜΑΤΙΚΟΥ ΒΛΕΝΝΟΓΟΝΟΥ ΑΔΕΙΑ ΧΡΗΣΗΣ: COMMON LICENSE ΑΠΟ HTTPS://COMMONS.WIKIMEDIA.ORG/WIKI/FILE:ORAL_MUCOSA.JPG. ΕΙΚΟΝΑ 2. ΙΣΤΟΛΟΓΙΚΑ ΕΙΔΗ ΕΠΙΘΗΛΙΟΥ. ΑΠΟ ΑΡΙΣΤΕΡΑ ΠΡΟΣ ΤΑ ΔΕΞΙΑ ΕΧΟΥΜΕ ΙΣΤΟΛΟΓΙΚΕΣ ΕΙΚΟΝΕΣ ΜΗ ΚΕΡΑΤΙΝΟΠΟΙΗΜΕΝΟΥ, ΠΑΡΑΚΕΡΑΤΙΝΟΠΟΙΗΜΕΝΟΥ ΚΑΙ ΟΡΘΟΚΕΡΑΤΙΝΟΠΟΙΗΜΕΝΟΥ ΕΠΙΘΗΛΙΟΥ. (ΕΙΚΟΝΑ ΑΠΟ ΤΟ ΒΙΒΛΙΟ ΤΩΝ HAND & FRANK, 2014) ΕΙΚΟΝΑ 3. ΣΧΗΜΑΤΙΚΗ ΑΠΕΙΚΟΝΙΣΗ ΤΗΣ ΔΙΑΣΥΝΔΕΣΗΣ ΕΠΙΘΗΛΙΟΥ-ΣΥΝΔΕΤΙΚΟΥ ΙΣΤΟΥ (ΑΠΟ ALBERTS ET AL, 2015) ΕΙΚΟΝΑ 4. ΚΥΤΤΑΡΙΚΟΣ ΚΥΚΛΟΣ ΚΑΙ ΣΗΜΕΙΑ ΕΛΕΓΧΟΥ ΤΟΥ (ΑΠΟ DANG ET AL, 2021) ΕΙΚΟΝΑ 5. ΤΟ ΜΟΝΟΠΑΤΙ JAK/STATS. (ΑΠΟ BARATA & OLIVEIRA , 2019) ΕΙΚΟΝΑ 6. ΤΟ ΜΟΝΟΠΑΤΙ RAS/MEK/ERK (ΑΠΟ BARATA & OLIVEIRA , 2019) ΕΙΚΟΝΑ 7. ΤΟ ΜΟΝΟΠΑΤΙ RAS/MEK/ERK (ΑΠΟ BARATA & OLIVEIRA , 2019) ΕΙΚΟΝΑ 8. ΚΛΙΝΙΚΗ ΕΙΚΟΝΑ ΑΠΟ ΕΝΑ ΑΚΑΝΘΟΚΥΤΤΑΡΙΚΟ ΚΑΡΚΙΝΩΜΑ ΤΗΣ ΓΛΩΣΣΑΣ (ΑΠΟ NEVILLE ET AL, 2008) ΕΙΚΟΝΑ 9. ΙΣΤΟΛΟΓΙΚΗ ΕΙΚΟΝΑ ΑΚΑΝΘΟΚΥΤΤΑΡΙΚΟΥ ΚΑΡΚΙΝΩΜΑΤΟΣ ΚΑΛΗΣ ΔΙΑΦΟΡΟΠΟΙΗΣΗΣ ΣΕ 2 ΜΕΓΕΝΘΥΝΣΕΙΣ, ΣΤΗΝ ΠΑΝΩ ΜΕ ΜΙΚΡΗ ΜΕΓΕΝΘΥΝΣΗ ΚΑΙ ΣΤΗΝ ΚΑΤΩ ΜΕ ΜΕΓΑΛΗ, ΟΠΟΥ ΒΛΕΠΟΥΜΕ ΚΑΙ ΜΑΡΓΑΡΙΤΑΡΙΑ ΚΕΡΑΤΙΝΗΣ (ΑΠΟ NEVILLE ET AL, 2008) ΕΙΚΟΝΑ 10. ΠΡΟΣΠΑΘΕΙΑ ΠΡΟΕΠΕΞΕΡΓΑΣΙΑΣ RAW ΔΕΔΟΜΕΝΩΝ ΕΝΟΣ DATASET ΜΕ ΣΧΕΤΙΚΑ ΜΙΚΡΟ ΑΡΙΘΜΟ ΔΕΙΓΜΑΤΩΝ ΣΕ ΥΠΟΛΟΓΙΣΤΗ ΓΕΝΙΚΗΣ ΧΡΗΣΗΣ. ΕΙΚΟΝΑ 11. ΠΡΟΣΠΑΘΕΙΑ ΠΡΟΕΠΕΞΕΡΓΑΣΙΑΣ ΕΝΟΣ ΠΟΛΥ ΜΙΚΡΟΥ DATASET (9 ΔΕΙΓΜΑΤΑ) ΣΤΟ ΟΠΟΙΟ ΕΠΡΕΠΕ ΝΑ ΓΙΝΕΙ ΕΠΕΞΕΡΓΑΣΙΑ ΜΕ ΤΟ ΠΑΚΕΤΟ OLIGO ΤΗΣ AFFYMETRIX ΣΕ ΥΠΟΛΟΓΙΣΤΗ ΜΕ ΛΕΙΤΟΥΡΓΙΚΟ ΣΥΣΤΗΜΑ 32-BIT. ΕΙΚΟΝΑ 12. ΑΞΙΟΛΟΓΗΣΗ ΠΟΙΟΤΗΤΑΣ ΔΕΔΟΜΕΝΩΝ ΜΕ NUSE ΚΑΙ RLE ΣΕ NORMALIZED DATASET ΑΠΟ ΤΟ GEO . ΤΟ ΔΕΙΓΜΑ 7 ΦΑΙΝΕΤΑΙ ΝΑ ΕΙΝΑΙ ΜΕ ΣΙΓΟΥΡΙΑ ΕΝΑ ΔΕΙΓΜΑ ΚΑΚΗΣ ΠΟΙΟΤΗΤΑΣ. ΤΟ ΔΕΙΓΜΑ 11 ΦΑΙΝΕΤΑΙ ΕΠΙΣΗΣ ΑΜΦΙΒΟΛΟΥ ΠΟΙΟΤΗΤΑΣ. ΕΙΚΟΝΑ 13. ΔΙΑΓΡΑΜΜΑ Q-Q «ΚΑΝΟΝΙΚΟΠΟΙΗΜΕΝΟΥ» DATASET. Η ΚΑΝΟΝΙΚΗ ΚΑΤΑΝΟΜΗ ΑΝΑΠΑΡΙΣΤΑΤΑΙ ΑΠΟ ΤΗΝ ΜΠΛΕ ΓΡΑΜΜΗ, ΕΝΩ Η ΚΑΤΑΝΟΜΗ ΤΟΥ ΔΕΙΓΜΑΤΟΣ ΑΠΟ ΤΗΝ ΜΑΥΡΗ ΚΑΜΠΥΛΗ. ΕΙΚΟΝΑ 14. ΔΕΔΟΜΕΝΑ ΣΤΑ ΟΠΟΙΑ ΑΝΑΦΕΡΕΤΑΙ ΟΤΙ ΕΧΕΙ ΓΙΝΕΙ QN. ΕΙΚΟΝΑ 15. ΤΑ ΔΕΔΟΜΕΝΑ ΤΙΣ ΕΙΚΟΝΑΣ 10 ΜΕΤΑ ΑΠΟ ΕΝΑ ΑΠΛΟ QN ΚΑΙ ΛΟΓΑΡΙΘΜΗΣΗ ΜΕ LOG2. ΕΙΚΟΝΑ 16. Q-Q ΔΙΑΓΡΑΜΜΑ ΑΠΟ ΔΕΔΟΜΕΝΑ ΜΕΤΑ ΑΠΟ GCRMA (ΑΡΙΣΤΕΡΑ) ΚΑΙ ΙΔΙΑ ΔΕΔΟΜΕΝΑ ΜΕΤΑ ΑΠΟ RMA ΚΑΝΟΝΙΚΟΠΟΙΗΣΗ ΤΩΝ CEL FILES (ΔΕΞΙΑ) ΕΙΚΟΝΑ 17. ΤΟ ΠΡΟΒΛΗΜΑ «MANY TO MANY» ΣΤΑ MICROARRAYS ΣΕ ΕΝΑ R STUDIO TERMINAL ΚΑΤΑ ΤΗΝ ΕΠΕΞΕΡΓΑΣΙΑ ΔΕΔΟΜΕΝΩΝ ΓΙΑ ΑΥΤΗ ΤΗΝ ΔΙΠΛΩΜΑΤΙΚΗ. ΕΙΚΟΝΑ 18. 200 ΔΕΙΓΜΑΤΑ ΑΠΟ ΔΙΑΦΟΡΕΤΙΚΑ DATASETS, ΕΠΕΞΕΡΓΑΣΜΕΝΑ ΜΕ ΤΗΝ ΠΡΟΣΕΓΓΙΣΗ ΤΗΣ ΑΠΛΗΣ Ζ-ΚΑΝΟΝΙΚΟΠΟΙΗΣΗΣ ΚΑΤΑ ΣΤΗΛΕΣ ΚΑΙ ΑΝΥΨΩΜΕΝΑ ΜΕ ΤΕΤΟΙΟ ΤΡΟΠΟ ΩΣΤΕ ΝΑ ΕΙΝΑΙ ΟΛΑ ΘΕΤΙΚΑ. ΕΙΚΟΝΑ 19. BOXPLOT ΤΩΝ ΠΡΩΤΩΝ 200 ΔΕΙΓΜΑΤΩΝ ΣΤΑ ΔΕΔΟΜΕΝΑ ΜΑΣ, ΜΕΤΑ ΑΠΟ ΔΙΠΛΗ Ζ-ΚΑΝΟΝΙΚΟΠΟΙΗΣΗ, ΕΙΝΑΙ ΕΜΦΑΝΕΙΣ ΟΙ ΜΕΓΑΛΕΣ ΤΥΠΙΚΕΣ ΑΠΟΚΛΙΣΕΙΣ ΠΟΥ ΔΗΜΙΟΥΡΓΟΥΝΤΑΙ. ΕΙΚΟΝΑ 20. BOXPLOT ΜΕ ΤΑ ΠΡΩΤΑ 200 ΔΕΔΟΜΕΝΑ ΟΠΩΣ ΑΥΤΑ ΠΡΟΕΚΥΨΑΝ ΑΠΟ ΤΗΝ ΔΙΑΣΠΑΣΤΙΚΗ ΜΕΘΟΔΟ. ΕΙΚΟΝΑ 21. PIPELINE ΒΗΜΑΤΩΝ ΣΥΛΛΟΓΗΣ ΚΑΙ ΕΠΕΞΕΡΓΑΣΙΑΣ ΑΡΧΙΚΩΝ ΔΕΔΟΜΕΝΩΝ. ΟΙ ΑΡΙΘΜΟΙ ΑΠΕΙΚΟΝΙΖΟΥΝ ΤΟΝ ΑΡΙΘΜΟ ΤΩΝ DATASET ΣΤΑ ΕΠΙΜΕΡΟΥΣ ΣΤΑΔΙΑ. ΕΙΚΟΝΑ 22. PIPELINE ΓΡΑΦΙΚΗΣ ΑΠΕΙΚΟΝΙΣΗ ΚΑΤΑΝΟΜΩΝ ΚΑΙ ΦΙΛΤΡΑΡΙΣΜΑ ΤΩΝ ΔΕΔΟΜΕΝΩΝ. ΟΙ ΑΡΙΘΜΟΙ ΥΠΟΔΗΛΩΝΟΥΝ ΤΟΝ ΑΡΙΘΜΟ DATASETS ΑΝΑ ΣΤΑΔΙΟ. ΕΙΚΟΝΑ 23. PIPELINE ΠΡΟΕΠΕΞΕΡΓΑΣΙΑΣ RAW ΔΕΔΟΜΕΝΩΝ ΜΕ Ζ-ΚΑΝΟΝΙΚΟΠΟΙΗΣΗ. ΕΙΚΟΝΑ 24. PIPELINE ΠΡΟΕΠΕΞΕΡΓΑΣΙΑΣ ΜΕ ΤΗΝ ΔΙΑΣΠΑΣΤΙΚΗ ΤΕΧΝΙΚΗ ΕΙΚΟΝΑ 25. BOXPLOT ΤΩΝ ΠΡΩΤΩΝ 200 SAMPLES ΜΕΤΑ ΑΠΟ Ζ-ΚΑΝΟΝΙΚΟΠΟΙΗΣΗ ΣΕ ΣΤΗΛΕΣ. ΕΙΚΟΝΑ 26. BOXPLOT 200 ΠΡΩΤΩΝ ΔΕΙΓΜΑΤΩΝ ΜΕ ΤΗΝ ΔΙΠΛΗ Ζ-ΚΑΝΟΝΙΚΟΠΟΙΗΣΗ ΕΙΚΟΝΑ 27. BOXPLOT ΠΡΩΤΩΝ 200 ΔΕΙΓΜΑΤΩΝ ΜΕ ΤΗΝ ΔΙΑΣΠΑΣΤΙΚΗ ΤΕΧΝΙΚΗ. ΕΙΚΟΝΑ 28. PIPELINE ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΛΕΙΤΟΥΡΓΙΚΗΣ ΑΝΑΛΥΣΗΣ. ΕΙΚΟΝΑ 29. PIPELINE ΣΤΑΤΙΣΤΙΚΗΣ ΑΝΑΛΥΣΗΣ ΚΛΑΣΕΩΝ ΜΕ ΒΑΣΕΙ ΤΑ ΥΠΑΡΧΟΝΤΑ ΜΕΤΑΔΕΔΟΜΕΝΑ. ΕΙΚΟΝΑ 30. PIPELINE ΠΡΟΧΩΡΗΜΕΝΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΤΩΝ ΔΕΔΟΜΕΝΩΝ ΕΙΚΟΝΑ 31. Z-SCORE ΤΕΧΝΙΚΗ ΜΟΝΟ ΣΕ ΣΤΗΛΕΣ ΜΕΤΑΞΥ ΤΟΥ T-TEST ΚΑΙ ΤΟΥ MODERATED T-TEST. ΕΙΚΟΝΑ 32. VOLCANO PLOTS ΜΕ ΤΗΝ ΤΕΧΝΙΚΗ ΤΟΥ ΔΙΠΛΟΥ Z-SCORE ΓΙΑ ΤΑ MODERATED-T ΚΑΙ T-TEST ΕΙΚΟΝΑ 33. VOLCANO PLOT ΑΠΟ ΤΗΝ ΔΙΑΣΠΑΣΤΙΚΗ ΤΕΧΝΙΚΗ ΜΕΤΑΞΥ ΤΟΥ T-TEST ΚΑΙ ΤΟΥ MODERATED T-TEST. ΕΙΚΟΝΑ 34. ΔΙΑΓΡΑΜΜΑ VENN ΔΕ ΓΟΝΙΔΙΩΝ ΣΤΗΝ ΜΟΝΟ ΚΑΤΑ ΣΤΗΛΕΣ Z-SCORE ΤΕΧΝΙΚΗ . ΕΙΚΟΝΑ 35. VENN ΔΙΑΓΡΑΜΜΑ ΔΕ ΓΟΝΙΔΙΩΝ ΜΕ ΤΗΝ ΤΕΧΝΙΚΗ ΤΗΣ ΔΙΠΛΗΣ Ζ-ΚΑΝΟΝΙΚΟΠΟΙΗΣΗΣ. ΕΙΚΟΝΑ 36. ΔΙΑΓΡΑΜΜΑ VENN ΔΕ ΓΟΝΙΔΙΩΝ ΣΤΗΝ ΔΙΑΣΠΑΣΤΙΚΗ ΤΕΧΝΙΚΗ. ΕΙΚΟΝΑ 37. HEATMAP ΤΩΝ ΔΕ ΓΟΝΙΔΙΩΝ ΣΤΗΝ ΤΕΧΝΙΚΗ Z-SCORE ΜΟΝΟ ΚΑΤΑ ΣΤΗΛΕΣ ΚΑΙ T-TESTS ΕΙΚΟΝΑ 38. HEATMAP ΤΩΝ ΔΕ ΓΟΝΙΔΙΩΝ ΜΕ ΔΙΠΛΗ Ζ-ΚΑΝΟΝΙΚΟΠΟΙΗΣΗ ΚΑΙ T-TESTS ΕΙΚΟΝΑ 39. HEATMAP ΤΩΝ ΔΕ ΓΟΝΙΔΙΩΝ ΜΕ ΔΙΑΣΠΑΣΤΙΚΗ ΤΕΧΝΙΚΗ ΚΑΙ T-TESTS. ΕΙΚΟΝΑ 40. HEATMAP ΔΕ ΓΟΝΙΔΙΩΝ ΜΕ Z-SCORE ΤΕΧΝΙΚΗ ΜΟΝΟ ΚΑΤΑ ΣΤΗΛΕΣ ΚΑΙ SAM. ΕΙΚΟΝΑ 41. HEATMAP ΔΕ ΓΟΝΙΔΙΩΝ ΜΕ ΔΙΠΛΗ Ζ-ΚΑΝΟΝΙΚΟΠΟΙΗΣΗ ΤΩΝ ΔΕ ΓΟΝΙΔΙΩΝ ΚΑΙ SAM ΕΙΚΟΝΑ 42. HEATMAP ΔΕ ΓΟΝΙΔΙΩΝ ΜΕ ΔΙΑΣΠΑΣΤΙΚΗ ΤΕΧΝΙΚΗ ΚΑΙ SAM. ΕΙΚΟΝΑ 43. VENN ΔΙΑΓΡΑΜΜΑ ΔΕ ΓΟΝΙΔΙΩΝ ΜΕ ΑΝΑ ΣΤΗΛΗ Ζ-ΚΑΝΟΝΙΚΟΠΟΙΗΣΗ ΚΑΙ ΑΝΟVA ΕΙΚΟΝΑ 44. VENN ΔΙΑΓΡΑΜΜΑ ΔΕ ΜΕ ΔΙΠΛΗ Ζ-ΚΑΝΟΝΙΚΟΠΟΙΗΣΗ ΚΑΙ ANOVA ΕΙΚΟΝΑ 45. ΔΙΑΓΡΑΜΜΑΤΑ VENN ΔΕ ΓΟΝΙΔΙΩΝ ΜΕ ΤΗΝ ΔΙΑΣΠΑΣΤΙΚΗ ΤΕΧΝΙΚΗ ΚΑΙ ANOVA ΕΙΚΟΝΑ 46. HEATMAP ΜΕ Ζ-ΚΑΝΟΝΙΚΟΠΟΙΗΣΗ ΑΝΑ ΣΤΗΛΗ ΚΑΙ ANOVA ΕΙΚΟΝΑ 47. HEATMAP ΜΕ ΔΙΠΛΗ Ζ-ΚΑΝΟΝΙΚΟΠΟΙΗΣΗ ΚΑΙ ANOVA ΕΙΚΟΝΑ 48. HEATMAP ΜΕ ΤΗΝ ΔΙΑΣΠΑΣΤΙΚΗ ΠΡΟΣΕΓΓΙΣΗ ΚΑΙ ANOVA ΕΙΚΟΝΑ 49. ΑΛΛΗΛΕΠΙΔΡΑΣΕΙΣ ΚΥΤΤΑΡΙΚΩΝ ΥΠΟΔΟΧΕΩΝ- ΕΞΩΚΥΤΤΑΡΙΑΣ ΜΗΤΡΑΣ ΕΙΚΌΝΑ 50. ΜΕΤΑΒΟΛΙΣΜΌΣ ΡΕΤΙΝΌΛΗΣ ΕΙΚΌΝΑ 51. ΠΡΟΣΒΟΛΉ ΑΠΌ ΙΟΎΣ HPV ΕΙΚΟΝΑ 52. ΚΟΙΝΟΙ ΑΝΟΣΟΛΟΓΙΚΟΙ ΜΗΧΑΝΙΣΜΟΙ ΤΗΣ ΑΜΟΙΒΑΔΩΣΗΣ ΜΕ ΤΟ ΑΚΚ ΕΙΚΌΝΑ 53. ΣΗΜΑΤΟΔΟΤΙΚΌ ΜΟΝΟΠΆΤΙ AGE-RAGE ΕΙΚΌΝΑ 54. ΣΗΜΑΤΟΔΟΤΙΚΌ ΜΟΝΟΠΆΤΙ IL-17 ΕΙΚΟΝΑ 55. ΣΗΜΑΤΟΔΟΤΙΚΟ ΜΟΝΟΠΑΤΙ TLR (TOLL-LIKE RECEPTOR) ΕΙΚΌΝΑ 56. ΜΟΝΟΠΆΤΙ ΕΣΤΙΑΚΉΣ ΣΥΓΚΌΛΛΗΣΗΣ ΕΙΚΟΝΑ 57. ΣΗΜΑΤΟΔΟΤΙΚΟ ΜΟΝΟΠΑΤΙ PI3/AKT/MTOR ΕΙΚΟΝΑ 58. ΑΛΛΗΛΕΠΙΔΡΑΣΕΙΣ ΚΥΤΟΚΙΝΩΝ ΚΑΙ ΟΙΚΕΙΩΝ ΥΠΟΔΟΧΕΩΝ ΤΟΥΣ ΕΙΚΟΝΑ 59. ΔΙΑΓΡΑΜΜΑΤΑ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΣΤΗΝ PCA ΕΙΚΟΝΑ 60. ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΤΗΣ ΥΠΕΡΠΑΡΑΜΕΤΡΟΥ MTRY ΓΙΑ ΤΟ ΜΕΓΕΘΟΣ ΤΩΝ ΕΠΙΜΕΡΟΥΣ ΔΕΝΤΡΩΝ ΕΙΚΟΝΑ 61. ΑΠΟΔΟΣΗ ΑΛΓΟΡΙΘΜΟΥ ΤΥΧΑΙΟΠΟΙΗΜΕΝΩΝ ΔΑΣΩΝ. ΕΙΚΟΝΑ 62. ΚΑΜΠΥΛΗ ROC ΓΙΑ ΤΑ ΤΥΧΑΙΟΠΟΙΗΜΕΝΑ ΔΑΣΗ ΕΙΚΟΝΑ 63. ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΥΠΕΡΠΑΡΑΜΕΤΡΟΥ ΠΕΡΙΠΛΟΚΟΤΗΤΑΣ ΚΑΙ ΤΟ ΔΕΝΔΡΟ ΑΠΟΦΑΣΗΣ ΜΕ ΤΟΝ ΑΛΓΟΡΙΘΜΟ CART ΕΙΚΌΝΑ 64. ΕΠΙΛΟΓΗ ΥΠΕΡΠΑΡΑΜΕΤΡΟΥ MINCRITERION ΕΙΚΟΝΑ 65. ΔΕΝΔΡΟ ΑΠΟΦΑΣΗΣ ΜΕ ΤΟΝ ΑΛΓΟΡΙΘΜΟ C-TREE ΕΙΚΟΝΑ 66. ΚΑΜΠΥΛΕΣ ROC ΓΙΑ ΤΟΥΣ 2 ΑΛΓΟΡΙΘΜΟΥΣ ΔΕΝΔΡΩΝ ΑΠΟΦΑΣΗΣ ΕΙΚΟΝΑ 67. ΒΙΟΛΟΓΙΚΟ ΔΙΚΤΥΟ ΤΩΝ ΥΠΕΡΕΚΦΡΑΖΟΜΕΝΩΝ ΓΟΝΙΔΙΩΝ ΜΕ ΛΕΙΤΟΥΡΓΙΚΗ ΣΥΝΔΕΣΗ ΕΙΚΟΝΑ 68. ΚΑΤΑΝΟΜΗ ΕΝΔΙΑΜΕΣΗΣ ΕΚΚΕΝΤΡΟΤΗΤΑΣ ΕΙΚΟΝΑ 69. ΚΥΚΛΟΤΕΡΕΙΣ ΓΡΑΦΟΙ ΤΩΝ CLUSTERS. ΤΟ ΚΑΤΩ ΜΕΡΟΣ ΕΧΕΙ 2 ΗΜΙΚΥΚΛΙΚΟΥΣ ΚΑΙ 1 ΚΥΚΛΙΚΟ ΓΡΑΦΟ. ΕΙΚΟΝΑ 70. ΚΑΤΑΝΟΜΗ ΒΑΘΜΩΝ ΚΟΜΒΩΝ ΕΙΚΟΝΑ 71. ΓΡΑΦΟΣ ΜΕ ΤΑ ΣΥΧΝΟΤΕΡΑ ΓΟΝΙΔΙΑ ΣΤΗΝ ΒΙΒΛΙΟΓΡΑΦΙΑ, ΟΙ ΑΚΜΕΣ ΑΝΑΠΑΡΙΣΤΟΥΝ ΤΙΣ ΛΕΙΤΟΥΡΓΙΚΕΣ ΤΟΥΣ ΣΧΕΣΕΙΣ ΣΕ ΕΠΙΠΕΔΟ ΠΡΩΤΕΪΝΗΣ ΕΙΚΟΝΑ 72. ΓΟΝΙΔΙΑ ΠΟΥ ΑΝΑΦΕΡΟΝΤΑΙ ΣΥΧΝΑ ΣΤΗΝ ΒΙΒΛΙΟΓΡΑΦΙΑ ΑΛΛΑ ΔΕΝ ΕΧΟΥΝ ΚΑΠΟΙΑ ΛΕΙΤΟΥΡΓΙΚΗ ΣΧΕΣΗ ΜΕΤΑΞΥ ΤΟΥΣ Η ΜΕ ΤΑ ΓΟΝΙΔΙΑ ΤΗΣ ΠΡΟΗΓΟΥΜΕΝΗΣ ΕΙΚΟΝΑΣ Κατάλογος Πινάκων ΠΙΝΑΚΑΣ 1. ΚΥΚΛΙΝΕΣ ΚΑΙ ΣΥΜΠΛΕΓΜΑΤΑ ΤΟΥΣ (ΠΡΟΣΑΡΜΟΓΗ ΑΠΟ ALBERTS ET AL , 2015) ΠΙΝΑΚΑΣ 2. ΤΑΞΙΝΟΜΗΣΗ TNM ΓΙΑ ΤΟΥΣ ΚΑΚΟΗΘΕΙΣ ΟΓΚΟΥΣ ΚΕΦΑΛΗΣ ΚΑΙ ΤΡΑΧΗΛΟΥ (ΠΡΟΣΑΡΜΟΓΗ ΑΠΟ NEVILLE ET AL, 2008). ΠΊΝΑΚΑΣ 3. ΤΕΛΙΚΆ GEO ACCESSION NUMBERS. ΠΙΝΑΚΑΣ 4. ΠΙΝΑΚΑΣ ΣΥΓΧΥΣΗΣ ΜΕ Z-SCORE ΜΟΝΟ ΑΝΑ ΣΤΗΛΗ ΚΑΙ T-TESTS. ΠΙΝΑΚΑΣ 5. ΠΙΝΑΚΑΣ ΣΥΓΧΥΣΗΣ ΜΕ Z-SCORE ΜΟΝΟ ΑΝΑ ΣΤΗΛΗ ΚΑΙ SAM. ΠΙΝΑΚΑΣ 6. ΠΙΝΑΚΑΣ ΣΥΓΧΥΣΗΣ ΜΕ ΤΗΝ ΜΕΘΟΔΟ ΔΙΠΛΗΣ Z-ΚΑΝΟΝΙΚΟΠΟΙΗΣΗΣ ΜΕ T-TESTS. ΠΙΝΑΚΑΣ 7. ΠΙΝΑΚΑΣ ΣΥΓΧΥΣΗΣ ΜΕ ΤΗΝ ΜΕΘΟΔΟ ΔΙΠΛΗΣ Z-ΚΑΝΟΝΙΚΟΠΟΙΗΣΗΣ ΚΑΙ SAM ΠΙΝΑΚΑΣ 8. ΠΙΝΑΚΑΣ ΣΥΓΧΥΣΗΣ ΜΕ ΔΙΑΣΠΑΣΤΙΚΗ ΜΕΘΟΔΟ ΚΑΙ T-TESTS. ΠΙΝΑΚΑΣ 9. ΠΙΝΑΚΑΣ ΣΥΓΧΥΣΗΣ ΜΕ ΔΙΑΣΠΑΣΤΙΚΗ ΜΕΘΟΔΟ ΚΑΙ SAM. ΠΙΝΑΚΑΣ 10. ΛΕΙΤΟΥΡΓΙΚΗ ΑΝΑΛΥΣΗ ΔΕ ΓΟΝΙΔΙΩΝ ΣΤΗΝ Ζ-ΚΑΝΟΝΙΚΟΠΟΙΗΣΗ ΜΟΝΟ ΣΕ ΣΤΗΛΕΣ ΠΙΝΑΚΑΣ 11. ΛΕΙΤΟΥΡΓΙΚΗ ΑΝΑΛΥΣΗ ΔΕ ΓΟΝΙΔΙΩΝ ΜΕ ΤΗΝ ΜΕΘΟΔΟ ΤΗΣ ΔΙΠΛΗΣ ΚΑΝΟΝΙΚΟΠΟΙΗΣΗΣ ΠΙΝΑΚΑΣ 12. ΛΕΙΤΟΥΡΓΙΚΗ ΑΝΑΛΥΣΗ ΤΩΝ ΔΕ ΓΟΝΙΔΙΩΝ ΣΤΗΝ ΔΙΑΣΠΑΣΤΙΚΗ ΤΕΧΝΙΚΗ ΠΙΝΑΚΑΣ 13. ΑΡΙΘΜΟΙ ENTREZ ΓΙΑ ΤΑ 30 ΣΗΜΑΝΤΙΚΟΤΕΡΑ ΑΠΟ ΤΑΞΙΝΟΜΙΚΗΣ ΑΠΟΨΗΣ ΓΟΝΙΔΙΑ ΠΙΝΑΚΑΣ 14. ΠΙΝΑΚΑΣ ΣΥΓΧΥΣΗΣ ΤΥΧΑΙΟΠΟΙΗΜΕΝΑ ΔΑΣΗ ΠΙΝΑΚΑΣ 15. ΠΙΝΑΚΑΣ ΣΥΓΧΥΣΗΣ ΑΛΓΟΡΙΘΜΟΥ CART ΠΙΝΑΚΑΣ 16. ΠΙΝΑΚΑΣ ΣΥΓΧΥΣΗΣ ΓΙΑ ΤΟΝ ΑΛΓΟΡΙΘΜΟ CTREE ΠΙΝΑΚΑΣ 17. ΟΙ 10 ΠΙΟ ΣΗΜΑΝΤΙΚΟΙ ΚΟΜΒΟΙ ΑΠΟ ΑΠΟΨΗ ΕΝΔΙΑΜΕΣΗΣ ΕΚΚΕΝΤΡΟΤΗΤΑΣ
    • Το ακανθοκυτταρικό καρκίνωμα αποτελεί τον συχνότερο ιστολογικό τύπο καρκίνου του στόματος. Στην σύγχρονη εποχή η μελέτη της γονιδιακής έκφρασης γίνεται με μεθόδους υψηλής ανάλυσης όπως είναι οι μικροσυστοιχίες και η αλληλούχιση RNA, όμως δυστυχώς η μετα-ανάλυση δεδομένων από τέτοια πειράματα είναι δύσκολη και υπάρχουν πολλές διαφορετικές προσεγγίσεις στην αντιμετώπιση αυτού του προβλήματος χωρίς καμία να θεωρείται περισσότερο αξιόπιστη από την άλλη. Σκοπός αυτής της εργασίας είναι η σκιαγράφηση του προφίλ γονιδιακής έκφρασης στο ακανθοκυτταρικό καρκίνωμα του στόματος όπως προκύπτει από ελεύθερα διαθέσιμα δεδομένα από μικροσυστοιχίες στην βάση δεδομένων GEO. Χρησιμοποιήθηκαν δύο προσεγγίσεις με βάση την ζ-κανονικοποίηση και μία νέα προτεινόμενη μέθοδος μετα-ανάλυσης πειραμάτων μικροσυστοιχιών που την ονομάσαμε διασπαστική μέθοδο. Έγινε και στις τρεις παραπάνω προσεγγίσεις, αναζήτηση διαφορικά εκφραζόμενων γονιδίων με τρεις στατιστικές τεχνικές (Student’s t-test, Moderated t-test και Significance Analysis of Microarrays - SAM) και λειτουργική ανάλυση εμπλουτισμού τους σε κατηγορίες της Kegg. Ακολούθησε στην συνέχεια αξιολόγηση των συνολικά τριών μεθόδων ως προς την παραμόρφωση των δεδομένων με μία προσέγγιση επιβλεπόμενης και μη-επιβλεπόμενης ανάλυσης αλλά και με βάση τα αποτελέσματα της λειτουργικής τους ανάλυσης. Επίσης έγινε και περαιτέρω ανάλυση κλάσεων για όσα πειράματα μικροσυστοιχιών είχαν επαρκή μεταδεδομένα με την χρήση ANOVA. Από τις τρεις παραπάνω προσεγγίσεις επιλέχτηκε με βάση τα αποτελέσματα της αξιολόγησης, η διασπαστική τεχνική, με τα αποτελέσματα της οποίας έγινε περαιτέρω διερεύνηση με ανάλυση κύριων συνιστωσών, μεθόδους μηχανικής μάθησης που βασίζονται σε δέντρα και δάση, χαρτογράφηση των διαφορικά εκφραζόμενων γονιδίων σε χάρτες βιολογικών μονοπατιών της Kegg και τέλος ανάλυση τοπολογίας δικτύου για τα υπερεκφραζόμενα γονίδια. Η διασπαστική τεχνική απέδωσε καλύτερα σε σχέση με τις προσεγγίσεις με ζ-κανονικοποίηση. Η εύρεση διαφορικά εκφραζόμενων γονιδίων με τις μεθόδους t-test και moderated t-test έδωσαν ταυτόσημα αποτελέσματα ενώ η μέθοδος SAM φαίνεται είχε χειρότερη απόδοση με πολλά ψευδώς θετικά ευρήματα. Ο αλγόριθμος C-tree για την δημιουργία δένδρων απόφασης είχε καλύτερη απόδοση από τον αλγόριθμο CART, αλλά χρησιμοποιεί πολύ περισσότερα γονίδια. Η έκφραση της MMP1 φαίνεται να είναι καθοριστική στην απόφαση αν ένα δείγμα είναι καρκινικό ή όχι. Από πλευράς τοπολογίας δικτύων ωστόσο η έκφραση των γονιδιών για τα STAT1,MMP9, CXCL1, CXCL10 ,CDK1 και την οστεονεκτίνη (SPARC) έχουν τον πιο κομβικό ρόλο ανάμεσα στα υπερεκφραζόμενα γονίδια. Τέλος φαίνεται ότι η κλινική σταδιοποίηση ενός ακανθοκυτταρικού καρκινώματος δεν μπορεί να προσδιοριστεί ή να προβλεφθεί βάσει του προφίλ γονιδιακής έκφρασης του. Τα αποτελέσματα που εξάχθηκαν σε γενικές γραμμές συμφωνούν με τα δεδομένα από την βιβλιογραφία και δείχνουν νέες κατευθύνσεις στις οποίες θα πρέπει να δωθεί περισσότερη έμφαση σε μελλοντικές ερευνητικές προσπάθειες σχετικά με το ακανθοκυτταρικό καρκίνωμα του στόματος.
    • Squamous cell carcinoma is the most frequent histological diagnosis in oral cancer. Nowadays, research regarding gene expression is accomplished with high throughput methods and techniques like microarrays and RNA sequencing. However, meta-analysis of data extracted by those kinds of experiments is difficult and although there are many approaches for facing this problem, none of them is considered to be more reliable than others. The purpose of this thesis was to outline the gene expression profile of oral squamous cell carcinoma using publicly available data from GEO database. We utilized two z-transformation approaches plus a new proposed microarray meta-analysis method which in the context of this thesis was named as “disintegrative” method. Using those 3 approaches, extraction of the differentially expressed genes was performed based on three popular statistical methods (Student’s t-test, Moderated t-test and Significance analysis of Microarrays –SAM) and after that a differential genes functional analysis of enrichment in Kegg categories was done. This was followed by a validation of the aforementioned approaches for data manipulation based on a combination of unsupervised and supervised learning techniques but also taking into consideration the results of differential genes functional analysis. Further ANOVA class analysis was done using only datasets with adequate metadata available. Taking these initial results into consideration, the best performing meta-analysis technique was selected (which was proven to be the “disintegrative” approach) for further more advanced analysis using PCA data exploration, tree and forest-based machine learning methods, mapping of results on Kegg biological pathways and last but not least network topology analysis for the differentially overexpressed genes. Disintegrative technique performed better compared to z-scaling based methods. Differentially expressed genes extracted with either Student’s t-test and Moderated t-test were identical, but the SAM technique appeared to perform worse with many false positive results. Decision tree algorithm C-tree had a better approach compared to CART but it is taking into consideration many more gene expressions. MMP1 expression seems to be the most important parameter in deciding whether a sample is cancerous or not. Network topology analysis however uncovered the critical role of STAT1,MMP9, CXCL1, CXCL10, CDK1 and osteonectin (SPARC) among the differentially overexpressed genes. Lastly, it seems that clinical staging of an oral squamous cell carcinoma tumour, cannot be determined or predicted based solely on its gene expression profile. The results of this research thesis in general terms appear to be in accordance with findings from the scientific literature and they propose potential new directions for future studies in oral squamous cell carcinoma.
  15. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.