Benchmarking & evaluating single-cell gene-enhancer regulatory networks

Mostra el registre complet Registre parcial de l'ítem

• dc.contributor.author Deuner Cos, Gerard
• dc.date.accessioned 2024-04-26T09:11:56Z
• dc.date.available 2024-04-26T09:11:56Z
• dc.date.issued 2023-06-21
• dc.description Treball de fi de grau en Bioinformàtica. Curs 2022-2023ca
• dc.description Tutor: Annique Claringbouldca
• dc.description.abstract El projecte consisteix en fer una anàlisi comparativa de GRaNIE, un mètode d’inferència de xarxes de regulació gènica incloent enhancers a partir de bulk RNA-seq i ATAC-seq data, al nivell single-cell. Proposem una manera de dur a terme l’anàlisi mitjançant una metodologia basada en la validació de les connexions de les xarxes amb dades pcHi-C, eQTL i ChIP-Seq. A més, realitzem un estudi biològic comprensiu de les xarxes produïdes per GraNIE i avaluem la seva capacitat predictiva mitjançant GRaNPA, un mètode d’aprenentatge estadístic, que avalua com de bé una GRN pot predir dades d’expressió gènica diferencial específiques de tipus cel·lulars.ca
• dc.description.abstract El proyecto consiste en hacer un análisis comparativo de GraNIE, un método de inferencia de redes de regulación génica incluyendo enhancers a partir de bulk RNA-seq y ATAC-seq data, a nivel single-cell, Proponemos una forma de llevar a cabo el análisis mediante una metodología basada en la validación de las conexiones de las redes con datos pcHi-C, eQTL y ChIP-seq. Además, realizamos un estudio comprensivo de las redes producidas por GRaNIE y evaluamos su capacidad predictiva a través de GRaNPA, un método de aprendizaje estadístico, que evalúa cómo de bien una GRN puede predecir datos de expressión génica diferencial específicos de tipos celulares.
• dc.description.abstract The project consists of benchmarking GRaNIE, a enhancer inclusive gene regulatory network inference method from bulk RNA-seq and ATA-seq data, at the single-cell level. We propose a way of carrying out the benchmark through a validation-based approach that assesses the network's ability to predict real regulatory interactions from cell-type-specific pcHi-C, eQTL and ChIP-Seq data. Additionally, we perform a biological comprehensive analysis of the output eGRNs and evaluate their predictive power utilizing GRaNPA, a machine learning framework, that assesses how well a GRN can predicit cell-type-specific differential gene expression data.en
• dc.format.mimetype application/pdf*
• dc.identifier.uri http://hdl.handle.net/10230/59916
• dc.language.iso engca
• dc.rights This is an Open Access article distributed under the terms of the Creative Commons Attribution-NonCommercial-NoDerivs 3.0 licenseca
• dc.rights.accessRights info:eu-repo/semantics/openAccessca
• dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/es/ca
• dc.subject.keyword Xarxes de regulació gènicaca
• dc.subject.keyword Genòmica unicel·lularca
• dc.subject.keyword Potenciadorsca
• dc.subject.keyword Regulació gènicaca
• dc.subject.keyword Redes de regulación génica
• dc.subject.keyword Genómica unicelular
• dc.subject.keyword Potenciadores
• dc.subject.keyword Regulación génica
• dc.subject.keyword Gene regulatory networksen
• dc.subject.keyword Single-cell genomicsen
• dc.subject.keyword Enhancersen
• dc.subject.keyword Gene regulationen
• dc.subject.other Treball de fi de grau – Curs 2022-2023ca
• dc.title Benchmarking & evaluating single-cell gene-enhancer regulatory networksca
• dc.type info:eu-repo/semantics/bachelorThesisca