Viral Genomic Integration Analysis using Machine Learning Methods

Εισαγωγή: Ενσωματώσεις του ιού της Ηπατίτιδας Β (HBV) στο ανθρώπινο γονιδίωμα ανιχνεύονται συχνά σε δείγματα βιοψίας ήπατος ατόμων με χρόνια HBV λοίμωξη και στην πλειονότητα των δειγμάτων Ηπατοκυτταρικού Καρκίνου που σχετίζεται με HBV (HBV-HCC). Παρότι περιοχές του ανθρώπινου γονιδιώματος έχουν χαρακτηρισθεί ως hotspots HBV ενσωμάτωσης, παραμένει ασαφές αν το ευρύτερο γονιδιωματικό περιβάλλον των θέσεων ενσωμάτωσης του HBV διαφέρει συστηματικά μεταξύ Χρόνιας Ηπατίτιδας Β (CHB) και Ηπατοκυτταρικού Καρκίνου (HCC), και αν αυτές οι διαφορές φέρουν προβλεπτική πληροφορία. Σκοπός: Σκοπός της παρούσας διπλωματικής εργασίας είναι ο χαρακτηρισμός του γονιδιωματικού περιβάλλοντος των θέσεων ενσωμάτωσης του HBV και η αξιολόγηση των γονιδιωματικών χαρακτηριστικών που πιθανά διακρίνουν τα δείγματα προερχόμενα από CHB έναντι HBV-HCC. Μεθοδολογία: Αναλύθηκαν συνολικά 17,047 θέσεις ενσωμάτωσης HBV, οι οποίες ανακτήθηκαν από την βάση δεδομένων VISDB και προέρχονται από 7,997 δείγματα βιοψίας ήπατος ατόμων με CHB και 9,050 με HBV-HCC. Οι θέσεις αυτές είχαν αρχικά εντοπιστεί μέσω αναλύσεων Αλληλούχισης Επόμενης Γενεάς (Next Generation Sequencing - NGS), και συγκεκριμένα μέσω Αλληλούχισης Ολόκληρου Γονιδιώματος (Whole Genome Sequencing - WGS) και Αλληλούχισης Εμπλουτισμού-στόχου (Target Enrichment Sequencing). Οι θέσεις ενσωμάτωσης σχολιάστηκαν γονιδιωματικά (genomic annotation), αξιοποιώντας δημόσια διαθέσιμες βιολογικές βάσεις δεδομένων για την εξαγωγή πληροφοριών που αφορούν τις γονιδιωματικές περιοχές στις οποίες εντοπίζονται. Πραγματοποιήθηκαν στατιστικές αναλύσεις, συμπεριλαμβανομένων ελέγχων χ² και λογιστικής παλινδρόμησης, για τον εντοπισμό χαρακτηριστικών που σχετίζονται με την κατάσταση της νόσου. Εφαρμόστηκαν μέθοδοι επιλογής χαρακτηριστικών (feature selection), ακολουθούμενες από εκπαίδευση και αξιολόγηση εποπτευόμενων ταξινομητών μηχανικής μάθησης (Logistic Regression, Random Forest και AdaBoost). Αποτελέσματα: Οι ενσωματώσεις εντός γονιδίων που κωδικοποιούν πρωτεΐνες και lncRNAs ήταν συχνότερες στα δείγματα CHB, ενώ τα δείγματα HBV-HCC εμφάνιζαν σημαντική συσσώρευση ενσωματώσεων εντός απλών επαναλήψεων, ρετρομεταθετών στοιχείων και θέσεων πρόσδεσης μεταγραφικών παραγόντων (TFBS). Παρά αυτές τις στατιστικά σημαντικές διαφορές, τα μοντέλα μηχανικής μάθησης παρουσίασαν μέτρια απόδοση ταξινόμησης, με τιμές AUC περίπου 0.60 και Accuracy περίπου 55-58%. Συμπεράσματα: Το γονιδιωματικό περιβάλλον των θέσεων ενσωμάτωσης του HBV διαφέρει μεταξύ CHB και HBV-HCC, υποδηλώνοντας αλλαγές κατά την εξέλιξη της νόσου. Ωστόσο, τα γονιδιωματικά χαρακτηριστικά από μόνα τους δεν ήταν επαρκή για αξιόπιστη ταξινόμηση της νόσου. Τα ευρήματα αυτά υποδεικνύουν την ανάγκη ενσωμάτωσης πρόσθετων μοριακών ή κλινικών δεδομένων για τη βελτίωση της προβλεπτικής μοντελοποίησης της ηπατοκαρκινογένεσης που σχετίζεται με τον HBV.

Authors dc:creator

• ΓΚΙΝΑΙ ΑΡΤΕΜΙΣ
• GJINAJ ARTEMIS

• Θετικές Επιστήμες
• Science

Language dc:language

English

Identifier

uoadl:5360682

OAI identifier oai:identifier

oai:lib.uoa.gr:uoadl:5360682