Compartir
Titre
Análisis estadístico de datos transcriptómicos complejos de muestras humanas y uso de un método de deconvolución para identificar tipos celulares específicos.
Otros títulos
Statistical analysis of large-scale complex transcriptomic data of human samples and use of a deconvolution method to identify specific cell types
Autor(es)
Director(es)
Sujet
Deconvolución
Heterogeneidad celular
Regresión
Bioinformática
Deconvolution
Cellular heterogeneity
Regression
Bioinformatics
Clasificación UNESCO
1209.03 Análisis de Datos
1209.06 Métodos de Distribución Libre y no Paramétrica
1209.09 Análisis Multivariante
Fecha de publicación
2020-07-21
Resumen
[ES]El estudio de la heterogeneidad celular es un problema de gran relevancia para la caracterización biológica de un tejido
complejo y que se puede resolver mediante el empleo de métodos de deconvolución. Hasta hace unos años, el método
de CIBERSORT se presentaba como la mejor alternativa para afrontar dicho problema, aportando a su vez una matriz de
firmas que ayudase a su algoritmo a identificar los tipos celulares que conformaban las muestras. Sin embargo,
posteriormente surgieron otros como dtangle, MIND, linseed y deconICA que propusieron nuevos algoritmos basados en
regresión e incluso distintos enfoques para inferir esos componentes.
En este trabajo se exponen y desarrollan estos métodos comparando sus resultados y determinando el más adecuado
para su aplicación en un conjunto de datos simulados y otro real (GSE64385). {EN}The study of cellular heterogeneity is a major biological issue in complex tissue characterization and it can be faced through
deconvolution methods. Until a few years ago, CIBERSORT, a computational approach, seemed to be the best alternative
to cope with this problem, providing a signature matrix that allows the algorithm to identify cell type components of the samples.
However, sometime later, other methods such as dtangle, MIND, linseed and deconICA have been developed and they
suggested new algorithms based on regression and other different approaches in order to infer those cellular components.
The present paper describes and evaluate these deconvolution methods comparing their results and establishing the most
proper method to use in a simulated and a real dataset (GSE64385).
Description
Trabajo de fin de Grado. Grado en Estadística. Curso académico 2019-2020
URI
Aparece en las colecciones
Fichier(s) constituant ce document
Tamaño:
2.565Mo
Formato:
Adobe PDF
Descripción:
Anexo: Gráficos y tablas suplementarios