Computational methods for the identification of statistically significant genes: applications to gene expression data of various human diseases

Abstract

In this dissertation, we address the problem of gene selection from ranked gene lists. We propose a new hybrid feature selection method (mAP-KL) that combines successfully multiple hypothesis testing and affinity propagation clustering algorithm along with the Krzanowski & Lai cluster quality index, to select a small yet informative subset of genes. We subject our method across a variety of validation tests on simulated microarray data as well as on real microarray data. The overall evaluation results suggest that mAP-KL generates concise yet biologically relevant and informative n-gene expression signatures, which can serve as a valuable discrimination tool for diagnostic and prognostic purposes, by identifying potential disease biomarkers in a broad range of diseases. Finally, to provide the research community with the capability to apply mAP-KL in any given gene expression dataset, we have implemented this methodology to a Bioconductor/R-package accompanied with extra functionalities.

Σε αυτή την διατριβή αντιμετωπίσαμε το πρόβλημα της επιλογής γονιδίων από ταξινομημένες λίστες. Προτείναμε μια νέα υβριδική μέθοδο επιλογής χαρακτηριστικών (mAP-KL) που συνδυάζει με επιτυχία μια μέθοδο πολλαπλού ελέγχου υποθέσεων και μια μέθοδο συσταδοποίησης (Affinity Propagation) μαζί με έναν δείκτη ποιότητας συστάδων των Krzanowski & Lai, για την επιλογή ενός μικρού αλλά αντιπροσωπευτικού υποσυνόλου γονιδίων. Υποβάλαμε τη μέθοδό μας σε διάφορες αξιολογήσεις με δεδομένα προσομοίωσης μικροσυστοιχιών καθώς και με πραγματικά δεδομένα μικροσυστοιχιών. Τα συνολικά αποτελέσματα της αξιολόγησης δείχνουν ότι η mAP-KL παράγει συνοπτικά υποσύνολα από υπογραφές γονιδιακής έκφρασης οι οποίες σχετίζονται βιολογικά και μπορούν να χρησιμεύσουν ως ένα πολύτιμο διακριτικό εργαλείο για διαγνωστικούς και προγνωστικούς σκοπούς, με τον εντοπισμό πιθανών βιοδεικτών της νόσου σε ένα ευρύ φάσμα ασθενειών. Τέλος, προκειμένου να δώσουμε στην ερευνητική κοινότητα με τη δυνατότητα να εφαρμόσει την mAP-KL σε οποιοδήποτε σύνολο δεδομένων γονιδιακής έκφρασης, αναπτύξαμε τη μεθοδολογία μας σε ένα Bioconductor/R- πακέτο το οποίο συνοδεύεται και από άλλες επιπλέον λειτουργίες.