Computational approaches for the discovery of significant genes in cancer (2021)
- Authors:
- Autor USP: CUTIGI, JORGE FRANCISCO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SSC
- Subjects: BIOINFORMÁTICA; MUTAÇÃO GENÉTICA; NEOPLASIAS; ONCOLOGIA; APRENDIZADO COMPUTACIONAL; CARCINOGÊNESE
- Keywords: Abordagem computacional; Bioinformática do câncer; Cancer bioinformatics; Cancer genomics; Cancer mutation data; Computational approach; Dados de mutação em câncer; Gene interaction networks; Genes significativos para o câncer; Genômica do câncer; Mutações significativas para o câncer; Redes de interação gênica; Significant genes in cancer; Significant mutations in cancer
- Agências de fomento:
- Language: Inglês
- Abstract: O câncer é uma doença complexa provocada por alterações genéticas que se acumulam por toda a vida do indivíduo. A essas alterações dá-se o nome de mutação genética, as quais podem ser divididas em dois grupos: 1) Passenger mutations: mutações que não alteram o comportamento da célula; 2) Driver mutations: mutações significativas para o câncer, ou seja, que provocam a carcinogênese na célula. Células de câncer possuem um elevado número de mutações, das quais a maioria delas são passenger mutations e um pequeno número delas são driver mutations. A identificação de genes significativamente mutados, isto é, genes com mutações significativas, é essencial para a compreensão dos mecanismos de iniciação e progressão do câncer. Essa tarefa é um desafio chave na genômica do câncer, uma vez que estudos mostram que genes significativos podem sofrer mutação em uma frequência muito baixa. Com o sequenciamento de nova geração, uma extensa quantidade de conjuntos de dados genômicos foram gerados, criando o desafio de analisar e interpretar esses dados. Para identificar genes relacionados ao câncer com taxa de mutação baixa, redes de interação gênica combinadas com dados de mutação têm sido exploradas. Neste contexto, esta pesquisa apresenta abordagens computacionais para a descoberta de genes significativos para o câncer. O genes são priorizados por um método baseado em redes que combina frequência de mutação ponderada e influência de vizinhos na rede, e possíveis falsos positivos sãodetectados por método baseado em aprendizado de máquina, o qual utiliza-se de dados de mutação e redes de interação gênica para induzir modelos preditivos. Um estudo experimental conduzido com seis tipos de câncer revelou o potencial das abordagens na descoberta de genes já conhecidos e de possíveis novos genes significativos para o câncer´.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2021
- Data da defesa: 27.07.2021
-
ABNT
CUTIGI, Jorge Francisco. Computational approaches for the discovery of significant genes in cancer. 2021. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2021. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-18082021-100555/. Acesso em: 24 abr. 2024. -
APA
Cutigi, J. F. (2021). Computational approaches for the discovery of significant genes in cancer (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-18082021-100555/ -
NLM
Cutigi JF. Computational approaches for the discovery of significant genes in cancer [Internet]. 2021 ;[citado 2024 abr. 24 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-18082021-100555/ -
Vancouver
Cutigi JF. Computational approaches for the discovery of significant genes in cancer [Internet]. 2021 ;[citado 2024 abr. 24 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-18082021-100555/ - Uma estratêgia para redução de conjuntos de seqüências de teste para máquinas de estados finitos
- GeNWeMME: a network-based computational method for prioritizing groups of significant related genes in cancer
- A computational approach for the discovery of significant cancer genes by weighted mutation and asymmetric spreading strength in networks
- Approaches for the identification of driver mutations in cancer: a tutorial from a computational perspective
- Topological characterization of cancer driver genes using reactome super pathways networks
- Combining mutation and gene network data in a machine learning approach for false-positive cancer driver gene discovery
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
