2024-03-29T00:50:23Zhttps://www.tdx.cat/oai/requestoai:www.tdx.cat:10803/4583612018-03-13T02:00:12Zcom_10803_311col_10803_318
Statistical tools for classification, interpretation and prediction of biological data
Senan Campos, Oriol
oriol.senan@urv.cat
true
Sales Pardo, Marta
Guimerà Manrique, Roger
true
Metabolòmica
plaquetes
adducts
aductos
Metabolomics
platelets
Les tecnologies òmiques prometen una nova aproximació sistèmica a la biologia. Malgrat que ja coneixem
el genoma de moltes espècies, i una aproximació del nombre de proteïnes, no sabem quants metabòlits hi
ha en una mostra biológica, o en un organisme.
Ni tan sols amb la tècnica més efectiva per a detectar el major nombre de metabòlits tenim alguna estimació,
sovint només s'aconsegueixen identificar 20-30 metabolíts després d'un llarg treball manual.
Em desenvolupat un algorisme, CliqueMS, que soluciona un dels problemes més grans per a anotar un experiment
de metabolòmica, la correcta identificació de senyals múltiples per un mateix metabolit.
En altres treballs de la tesi, explorem com combinar diferents dades òmiques en un cas pràctic, l'estudi dels
efectes terapèutics de l'hibiscus analitzant la resposta metabòlica i l'expressió génica posterior a la seva ingestió.
També abordem un procés complex biológic com la trombosi, per a estudiar el rol de diferents models en la
interpretació i la predicció de l'acumulació de plaquetes.
Mitjançant aquests models som capaços de predir l'acumulació de plaquetes en una nova mostra, demostrant
una possible aplicació clinica en un cas hipotètic cas on estimem un model a partir d'una sèrie de pacients per a
aplicar-ho a predir una variable difícil de mesurar (com l'acumulació de plaquetes) en nou pacient.
predir una variable difícil de mesurar (com l'acumulació de plaquetes) en nou pacient.
de muchas especies, y un buen número aproximado de las proteïnas, pero no sabemos ni cuantos metabolitos hay en
un organismo
ni en una muestra biológica.
Con la técnica más efectiva para detectar el mayor número de metabolitos posible solamente se identifican entre
20 y 30 metabolitos por muestra, después de un largo trabajo manual. Hemos desarrolado un algoritmo,
CliqueMS, para solucionar uno de los impedimentos más importantes para anotar en su totalidad un experiemento
de metabolòmica no dirigida, la correcta agrupación e identificación de las múltiple de señales de un mismo
metabolito.
En otros trabajos de la tesis exploramos como combinar diversos fuentes de datos ómicos. En un caso práctico,
estudiamos el efecto terapéutico del hibisco a partir de su respuesta metabólica y transciptomica tras su ingestión.
Tambien en otro trabajo abordamos un proceso biológico complejo como es la trombosis. Estudiamos como
varia la interpretación y la predicción mediante unos modelos de la acumulación de plaquetas, el desencadenante de
la trombosis.
Mediante estos modelos somos capaces de predecir la acumulación de plaquetas en una nueva muestra,
demostrando una posible aplicación clínica, en un hipotético caso donde ajustmos un modelo a partir de los
datos de un grupo de pacientes, y lo aplicamos para predecir una variable muy difícil de medir
Omics technologies arise a new systemic approach towards biology. We already know the genome of many
species, and an approximated number of proteins, but we do not know how many metabolites are present in an
organism
or in a biological sample.
With the most suited technique for metabolite identification, usually only 20-30 metabolites are identified
after hard manual work. To solve this problem, we have developed CliqueMS, that tackles one of the main
bottlenecks for the annotation of metabolomic experiments, the correct grouping and annotation of the
multiple signals produced by a metabolite.
In another investigation of the thesis, we explore how to combine several sources of omics data. In a practical
application
we study the therapeutic effect of hibiscus, by analyzing the response in metabolism and in gene expression, after
its ingestion.
The last investigation included in this thesis tackles a complex biological process, thrombosis. We study how changes
interpretation and prediction of platelet deposition by using different computational models. By this models we
demonstrate that platelet deposition can be predicted by measuring platelet concentration, the vessel tissue and some
other variables. This models can be used to predict variables that are very difficult to measure, as it is platelet deposition
2017-12-19T10:21:29Z
2018-03-13T02:00:12Z
2017-09-14
info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/publishedVersion
http://hdl.handle.net/10803/458361
eng
ADVERTIMENT. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.
info:eu-repo/semantics/openAccess
Universitat Rovira i Virgili
TDX (Tesis Doctorals en Xarxa)