Alberto Risueño Pérez - Gredos - Universidad de Salamanca

More documents

Recommendations

Info

Tesis Doctoral El mapeo de los HKG y de los TSG sobre esta red reveló también diferencias entre ambos métodos. El número de HKG mapeado sobre la red fue de 157 correspondiente a los genes presentes en al menos 3 de los 4 métodos propuestos. MAS5+Spearman ubicó en la red 77 de estos genes mientras que RMA+Pearson, que es demasiado astringente, tan solo ubicó un 1 HKG. Los TSG ubicados en la red se corresponden con los identificados (de nivel 1) en el apartado 4.2.4. En este caso RMA+Pearson fue más exitoso en la detección de TSG detectando 351 por ninguno de MAS5+Spearman, considerando un total de 756 (ver tabla 4.5). 94 Umbral de correlación Número de relaciones Número de genes Número de HKG Número de TSG MAS5+Spearman 0,75 9355 2098 77 / 157 0 / 756 RMA+Pearson 0,95 19079 852 1 / 157 351 / 756 Unión 28381 2875 77 352 Tabla 4.5. Datos correspondientes a la red de coexpresión. Se muestran los umbrales seleccionados para los métodos MAS5+Spearman y RMA+Pearson. También figura el número de nodos/genes y aristas/relaciones que aporta cada método y la capacidad de detección de genes housekeeping (HKG) y genes específicos de tejido (TSG). La figura 4.3 muestra la red de coexpresión completa representada con Cytoscape a partir de ficheros de texto plano generados con R en donde se describen parejas de genes. También se utilizó un fichero de atributos detallando el nombre y tipo de gen (HKG, TSG u otro). Esta red contiene 2875 nodos/genes y 28381 aristas/relaciones en la que los HKG han sido coloreados de azul y los TSG de rojo. Esta red muestra una topología no uniforme, encontrándose distribuida en claros módulos o agrupaciones. A simple vista se puede ver que los nodos rojos (TSG) están localizados de forma más agrupada, mientras que los HKG están en general más dispersos, mostrando agrupación clara únicamente en un caso. Esto puede relacionarse con los datos que indicaban que el método RMA+Pearson obtiene más relaciones y detecta más genes de tipo TSG, mientras que MAS5+Spearman obtiene más nodos pero menos interconectados entre ellos, detectando también más HKG. Desde el punto de vista biológico, el hecho de que los TSG se agrupen entre ellos formando módulos funcionales localizados, es coherente con el concepto de especificidad de tejido, ya que estos genes actúan en un tipo celular concreto. Por el contrario, el que los HKG muestren una distribución mucho más dispersa, se puede asociar con su presencia ubicua en todas las células del organismo y su esencialidad funcional. Cada una de las agrupaciones o módulos presentes en la red de coexpresión construida muestra una colección de genes muy relacionados entre sí, por lo que probablemente estén cooperando en una determinada función o proceso biológico. Con el propósito de caracterizar mejor las agrupaciones observadas en la red, se llevó a cabo un análisis de enriquecimiento funcional de cada grupo por separado. Para ello se utilizó la herramienta bioinformática DAVID (http://david.abcc.ncifcrf.gov/). El resultado del análisis funcional de varios módulos de genes se presenta en la figura 4.4. Cada grupo tiene una función bien definida, con p-‐valores altamente significativos, indicando que la señal biológica es clara. Dos de los grupos analizados tienen un alto contenido de TSG correspondiendo con funciones muy específicas: "espermatogénesis" y "complemento y cascada de coagulación". También se analizó un grupo de genes con alto contenido de HKG anotado a: "maquinaria molecular del ribosoma".
Capítulo 4 Figura 4.3. Red de coexpresión construida a partir de un set de 96 muestras (32 tejidos x 3 réplicas). La tabla tiene 2875 nodos y 28381 vértices. Los genes HKG figuran en azul y los genes TSG en rojo. 95
Page 1:
Bioinformática aplicada a estudios
Page 5 and 6:
Índice INTRODUCCIÓN GENERAL .....
Page 7 and 8:
Introducción general Bioinformáti
Page 9 and 10:
Figura 2. Proceso de transcripción
Page 11 and 12:
Introducción general caciones, las
Page 13 and 14:
Objetivos Introducción general La
Page 15 and 16:
Capítulo 1 1.1.1. Bases de datos d
Page 17 and 18:
Capítulo 1 sondas core y su inform
Page 19 and 20:
caaatgacttgctattattgatggc 225 694 c
Page 21 and 22:
presentes en el fichero. Capítulo
Page 23 and 24:
Capítulo 1 Mus musculus MG_U74Av2
Page 25 and 26:
Capítulo 1 Figura 1.5. Representac
Page 27 and 28:
Capítulo 1 Paso 2 Descripción: As
Page 29 and 30:
Capítulo 1 A la hora de escribir e
Page 31 and 32:
Capítulo 1 en regiones no codifica
Page 33 and 34:
Capítulo 1 Para optimizar la preci
Page 35 and 36:
Figura 1.9a. Distribución del núm
Page 37 and 38:
Capítulo 1 por contraste el númer
Page 39 and 40:
Capítulo 1 (cromosoma, locus, exon
Page 41 and 42:
Capítulo 1 figura 1.16). Además d
Page 43 and 44:
Capítulo 1 exhaustivo en este ámb
Page 45 and 46:
Capítulo 1 su presentación y deta
Page 47: Capítulo 1 adaptación para los mi
Page 50 and 51: Tesis Doctoral pueden agrupar en: t
Page 52 and 53: Tesis Doctoral enfermedad a través
Page 54 and 55: Tesis Doctoral los genes encontrado
Page 56 and 57: Tesis Doctoral real (RT-‐PCR).
Page 58 and 59: Tesis Doctoral muestras (ver figura
Page 60 and 61: Tesis Doctoral subtipo fueron: 0.97
Page 62 and 63: Tesis Doctoral En este trabajo se h
Page 64 and 65: Tesis Doctoral permitiría, sin dud
Page 66 and 67: Tesis Doctoral inclusión entre 0 y
Page 68 and 69: Tesis Doctoral exacto del número d
Page 70 and 71: Tesis Doctoral Los valores extremos
Page 72 and 73: Tesis Doctoral dicho, la comparaci
Page 74 and 75: Tesis Doctoral 70 Figura 3.6. Los d
Page 76 and 77: Tesis Doctoral 3.8.b). Sin embargo
Page 78 and 79: Tesis Doctoral Human Exon 1.0. La l
Page 80 and 81: Tesis Doctoral 76 Figura 3.10. Curv
Page 82 and 83: Tesis Doctoral 78 Figura 3.10 (cont
Page 84 and 85: Tesis Doctoral del inicio del ranki
Page 87 and 88: Capítulo 4 Análisis de coexpresi
Page 89 and 90: Capítulo 4 los genes y la perspect
Page 91 and 92: Capítulo 4 Utilizando el set de da
Page 93 and 94: ENSG00000142541 RPL13A small nucleo
Page 95 and 96: Capítulo 4 Para encontrar los gene
Page 97: Capítulo 4 ENSG00000134287 ARF3 AD
Page 101 and 102: Capítulo 4 Si analizamos los genes
Page 103 and 104: Capítulo 4 se hizo comparando cont
Page 105: 4.4. Discusión y posible trabajo f
Page 108 and 109: Tesis Doctoral exones, y diseñando
Page 110 and 111: Tesis Doctoral expression and isofo
Page 112 and 113: Tesis Doctoral 37, e107. Gardina, P
Page 114 and 115: Tesis Doctoral and survival in chro
Page 116 and 117: Tesis Doctoral Roth, R.B., Hevezi,
Page 118 and 119: Tesis Doctoral Xi, L., Feber, A., G
Page 121 and 122: Risueño et al. BMC Bioinformatics
Page 133 and 134: ORIGINAL ARTICLE Deregulation of mi
Page 135 and 136: Targets component of miRecords inte
Page 137 and 138: log 10 2-ΔCt -2.00 -4.00 -6.00 -8.
Page 139 and 140: Table 4 Potential microRNA (miRNA)-
Page 141 and 142: myeloma pathogenesis. Proc Natl Aca
Page 143 and 144: genetic subtypes of CLL show differ
Page 145 and 146: Table 2. Cont. Up-regulated Down-re
Page 147 and 148: 206 underexpressed in the 13q-H gro
Page 149 and 150:
Table 3. Most significant target ge
Page 151 and 152:
Discussion 13q deletion (13q-) is t
Page 153 and 154:
patients with 17p and 11q deletions
Page 155 and 156:
Human Gene Coexpression Landscape:
Page 157 and 158:
The similarity and proximity of the
Page 159 and 160:
As described in Methods we use a co
Page 161 and 162:
all data points of coexpression pai
Page 163 and 164:
Table 1. This work (2008) Pathway N
Page 165 and 166:
In conclusion, the functional consi
Page 167 and 168:
a total set of 48 microarrays. The
Page 169 and 170:
original article Annals of Oncology
Page 171 and 172:
Annals of Oncology original article
Page 173 and 174:
Page 175 and 176:
show all

Alberto Risueño Pérez - Gredos - Universidad de Salamanca

Create successful ePaper yourself

Delete template?

Save as template?