Please use this identifier to cite or link to this item:
Title: Ανάπτυξη υπολογιστικού εργαλείου ιεράρχησης και βαθμονόμησης γενετικών αλλαγών σε φαρμακογονίδια : προεκτάσεις στην εφαρμογή της αλληλούχισης ολόκληρου του γονιδιώματος στην κλινική φαρμακογονιδιωματική
Other Titles: Developent of a computational tool for the prioritization and scoring of genetic changes in pharmacogenes : extensions in the application of Whole Genome Sequencing (WGS) in clinical pharmacogenomics
Authors: Πανδή, Μαρία - Θεοδώρα
Keywords: Βιοπληροφορική
Γενετικές αλλαγές
Πρόβλεψη λειτουργικών επιπτώσεων
Μηχανική μάθηση
Keywords (translated): Bioinformatics
Genetic variants
Functional impact prediction
Machine learning
Random forest
Abstract: Η επιστήμη της Φαρμακογονιδιωματικής διερευνά τον τρόπο με τον οποίο το γονιδίωμα ενός ατόμου καθορίζει την ανταπόκρισή του σε δεδομένη φαρμακευτική αγωγή, με απώτερο σκοπό την αξιοποίηση αυτής της πληροφορίας για την καθοδήγηση και εξατομίκευση της αγωγής, βελτιστοποιώντας τα θεραπευτικά οφέλη κι ελαχιστοποιώντας τους κινδύνους για τους ασθενείς, πραγματοποιώντας τις υποσχέσεις της Ιατρικής Ακριβείας. Παράλληλα, οι τεχνολογικές εξελίξεις στην αλληλούχιση του γονιδιώματος, σε συνδυασμό με την ανάπτυξη βελτιωμένων υπολογιστικών μεθόδων αποδοτικότερης ανάλυσης του τεράστιου όγκου δεδομένων που προκύπτουν, επιτρέπουν την ανάγνωση του γονιδιώματος των ασθενών συντομότερα και με μικρότερο κόστος, καθιστώντας ρεαλιστική την ενσωμάτωση της ως πρακτική ρουτίνας στην κλινική πράξη. Η διαθεσιμότητα της πληθώρας των εντοπιζόμενων γενετικών παραλλαγών επισημαίνει την αναγκαιότητα ανάπτυξης συστηματικών κι αποτελεσματικών μεθοδολογιών αξιολόγησης κι ιεράρχησης της πληροφορίας αυτής για την καθοδήγηση της φαρμακευτικής αγωγής. Στην κατεύθυνση αυτή, στη συγκεκριμένη διπλωματική εργασία εξετάζεται η χρήση ενός συνόλου λειτουργικά χαρακτηρισμένων μονονουκλεοτιδικών παραλλάγων που εντοπίζονται σε φαρμακογονίδια για την εκπαίδευση ενός αλγορίθμου μηχανικής μάθησης και την ανάπτυξη ενός κατηγοριοποιητή που θα ταξινομεί νέες παραλλαγές ως προς τις πιθανές συνέπειες τους για την πρωτεϊνική λειτουργία, η οποία με τη σειρά της επηρεάζει την απόκριση στα φάρμακα. Περαιτέρω βελτιώσεις και ανάπτυξη του προτεινόμενου πλαισίου εργασίας μπορεί να οδηγήσει σε ένα εξαιρετικά χρήσιμο εργαλείο ιεράρχησης και βαθμονόμησης σχετικών παραλλαγών, με δυνατότητα αξιοποίησης στην κλινική πράξη.
Abstract (translated): The field of pharmacogenomics studies the way a person’s genome affects his or her response to a certain dose of a given medication. The final aim is to utilize this information in order to guide and personalize the treatment in a way that maximizes the clinical benefits and minimizes the dangers for the patients, thus fulfilling the promises of Precision Medicine. Technologic advances in genome sequencing, combined with the development of improved computational methods for the efficient analysis of the huge amount of generated data, allow for the fast and inexpensive sequencing of a patient’s genome, rendering its incorporation into clinical routine practice a realistic possibility. The potential availability in a clinical setting of a vast number of identified genetic variants highlights the necessity of developing a method to systematically and effectively evaluate and prioritize this information in order for it to be exploited towards guiding medication or dosing choice. In this direction, this thesis examines the use of a set of functionally validated mononucleotide variants (SNVs) located in pharmacogenes to train a machine learning algorithm in order to develop a model that has the ability to classify new variants with regard to their possible effects on protein function, which in turn affects drug response. Further adjustments and improvement of the proposed framework has the potential to lead to an extremely useful variant prioritization and scoring tool with interesting clinical applications.
Appears in Collections:Τμήμα Ιατρικής (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
ΜΘΠΑΝΔΗ_nemertes.pdf3.13 MBAdobe PDFView/Open

This item is licensed under a Creative Commons License Creative Commons