20.500.12556/RUL-86016 Topološki pristopi k analizi bioloških podatkov Topological Approach to Analyses of Omics Data Podatki o genski izraženosti rakavega tkiva imajo napovedno vrednost pri napovedovanju bolnikovega kliničnega izida. Na področju rakavih bolezni je pomembno ugotavljanje podkategorije v posamezni kategoriji raka. V magistrski nalogi smo se za reševanje tega problema odločili za implementacijo algoritmov, ki temeljijo na računski topologiji. Cilj naloge je, da z računanjem vztrajne homologije na podatkih o genski izraženosti rakavega tkiva ugotovimo nove podskupine ter poskusimo napovedovati preživetje bolnikov v skupinah. Podatki, ki smo jih analizirali, izhajajo iz podatkovne zbirke mednarodnega konzorcija za genske raziskave raka ICGC. Na omenjenih podatkih smo gradili simplicialne komplekse pri različnih resolucijah z uporabo algoritma Vietoris-Rips. Nato smo računali vztrajno homologijo in izrisovali vztrajne diagrame. Z namenom, da čim bolj natančno ločimo podkategorije raka, smo razvili metodo za računanje intervala zaupanja na vztrajnih diagramih. Na ta način smo uspešno odkrili nekaj novih podskupin ter napovedali klinični izid bolnikov. Uspeh metod smo ovrednotili na podatkih z več različnih tipov raka ter rezultate uspešno primerjali z drugimi metodami nenadzorovanega učenja. Genes expression is often a good indicator for prediction of patient's clinical results. In diseases such as cancer is inevitable to identify subcategories of phenotype. The goal of the Thesis is to use persistent homology on cancer tissue gene expression to identify new subgroups and try to predict the survival of patients in corresponding groups. We analyse the date from the International Consortium for Cancer Research. Simplicial complexes were built different resolutions using Vietoris-Rips algorithm. We counted the persistent homology and draw persistent diagrams. We developed a method for calculating confidence interval on persistent diagrams to precisely divide cancer subcategories. This method gave us promising results by discovering new subcategories and was accurate in prediction of patient clinical results. Results were obtained on data of different cancer types. Results were compared with different unsupervised learning methods. topologija topološka analiza podatkov simplicialni kompleks Vietoris-Rips rak klasifikacijske metode krivulja preživetja topology topological data analysis simplicial complex Vietoris-Rips cancer classification methods survival curves true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2016-10-04 14:01:25 2016-10-04 14:01:26 2022-08-09 10:32:58 0000-00-00 00:00:00 2016 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 15524 Durdevic_Marija_-_Topoloski_pristopi_k_analizi_bioloskih_podatkov.pdf Durdevic_Marija_-_Topoloski_pristopi_k_analizi_bioloskih_podatkov.pdf 1 6AF567A58F1135DF951891945D2F929A d365a3eecbd014988c307f6329266cd4f5ff71d7e2d6a4d5efb8d47d2f5df9b8 0a08eb74-a1b1-11eb-a523-00155dcfd717 20.500.12556/rul/e43a67ed-de9b-4784-853e-9e96b5d8addf https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=89187 Fakulteta za računalništvo in informatiko 0 0 0