Identification of gene signature of human inflammatory breast cancer using machine learning methods

Lovrečić, Karlo

prikaz prve stranice dokumenta Identification of gene signature of human inflammatory breast cancer using machine learning methods

Rad dostupan nakon 2025-09-27

diplomski rad

Identification of gene signature of human inflammatory breast cancer using machine learning methods

2023. urn:nbn:hr:217:263476

Lovrečić, Karlo

Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Biološki odsjek

Zatraži primjerak
dokumenta

Citirajte ovaj rad

APA 6th Edition

Lovrečić, K. (2023). Identification of gene signature of human inflammatory breast cancer using machine learning methods (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:263476

MLA 8th Edition

Lovrečić, Karlo. "Identification of gene signature of human inflammatory breast cancer using machine learning methods." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:217:263476

Chicago 17th Edition

Harvard

Lovrečić, K. (2023). 'Identification of gene signature of human inflammatory breast cancer using machine learning methods', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 21.04.2024., https://urn.nsk.hr/urn:nbn:hr:217:263476

Vancouver

Lovrečić K. Identification of gene signature of human inflammatory breast cancer using machine learning methods [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2023 [pristupljeno 21.04.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:263476

IEEE

K. Lovrečić, "Identification of gene signature of human inflammatory breast cancer using machine learning methods", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:263476

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:263476

Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.

Podaci o radu

Naslov	Identification of gene signature of human inflammatory breast cancer using machine learning methods
Naslov (engleski)	Identifikacija genskog potpisa upalnog raka dojke čovjeka metodama strojnog učenja
Autor	Karlo Lovrečić
Mentor	Rosa Karlić (mentor)
Član povjerenstva	Rosa Karlić (predsjednik povjerenstva)
Član povjerenstva	Zorana Grubić (član povjerenstva)
Član povjerenstva	Ivana Šola (član povjerenstva)
Član povjerenstva	Maja Matulić (član povjerenstva)
Ustanova koja je dodijelila akademski / stručni stupanj	Sveučilište u Zagrebu Prirodoslovno-matematički fakultet (Biološki odsjek) Zagreb
Datum i država obrane	2023-09-27, Hrvatska
Znanstveno / umjetničko područje, polje i grana	PRIRODNE ZNANOSTI Biologija
Sažetak	Inflammatory breast cancer (IBC) is a rare subtype of breast cancer characterized by its fast progression, aggressiveness, and symptoms similar to acute breast inflammation. The key role in IBC plays its complex tumour microenvironment. Despite the extensive research, an IBC-specific gene signature remains to be discovered. A major obstacle in IBC research is the fact that most of the available genomic data is obtained using microarray technology which has its limitations. A computational deconvolution approach provides a new perspective in investigating IBC. Deconvolution methods can overcome challenges regarding tumour samples obtained using distinct microarray platforms, and the difference between ratios of tumour and stromal cells within samples from distinct datasets. In this graduation thesis, the deconvolution method CIBERSORTx was performed to obtain relative cell fractions of different cell types in IBC and non-IBC samples, and to obtain cell-type specific gene expression profiles. Statistical analysis of relative cell fractions revealed statistically significant differences in relative cell fractions of different cell types between IBC and non-IBC samples. Random forest and SVM models were trained using cell-type specific gene expression profiles and their performance was evaluated using an independent test dataset comprised of 110 samples (39 IBC, 71 non-IBC).
Sažetak (hrvatski)	Upalni rak dojke (engl. inflammatory breast cancer, IBC) je rijedak podtip raka dojke karakteriziran brzom progresijom i simptoma nalik akutnoj upali dojke. Ključnu ulogu kod upalnog raka dojke ima kompleksan tumorski mikrookoliš. Unatoč intenzivnim istraživanjima, genski potpis specifičan za upalni rak dojke i dalje nije otkriven. Glavna prepreka u istraživanjima upalnog raka dojke su ograničenja DNA-mikročipova, kojima je dobivena većina dostupnih genomskih podataka o ovom tipu raka. Računalna dekonvolucija predstavlja novi pristup u istraživanju upalnog raka dojke. Korištenjem računalne dekonvolucije mogu se prevladati izazovi vezani uz analizu uzoraka tumora dobivenih korištenjem različitih DNA-mikročipova te usporediti razlika između omjera tumorskih i stromalnih stanica u uzorcima porijeklom iz različitih setova podataka. U ovom diplomskom radu, provedena je metoda CIBERSORTx kojom su dobiveni relativni stanični udjeli različitih staničnih tipova za uzorke tkiva upalnog i neupalnog raka dojke. Također, dobiveni su i ekspresijski profili specifični za pojedini tip stanica. Statističkom analizom utvrđeno je da postoje statistički značajne razlike u relativnim staničnim udjelima analiziranih staničnih tipova između uzoraka tkiva upalnog i neupalnog raka dojke. Modeli strojnog učenja „Random forest“ i „SVM“ istrenirani su korištenjem ekspresijskih profila dobivenih metodom CIBERSORTx. Preciznost klasifikacije istreniranih modela strojnog učenja utvrđena je na testnom setu podataka koji sadrži 110 uzoraka (39 IBC, 71 non-IBC).
Ključne riječi
Ključne riječi (hrvatski)
Jezik	engleski
URN:NBN	urn:nbn:hr:217:263476
Studijski program	Naziv: Molekularna biologija Vrsta studija: sveučilišni Stupanj studija: diplomski Akademski / stručni naziv: magistar/magistra molekularne biologije (mag. biol. mol.)
Vrsta resursa	Tekst
Način izrade datoteke	Izvorno digitalna
Prava pristupa	Rad dostupan nakon Datum isteka embarga: 2025-09-27
Uvjeti korištenja
Datum i vrijeme pohrane	2023-10-17 11:30:13