• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Master's Dissertation
DOI
https://doi.org/10.11606/D.95.2020.tde-17042020-100412
Document
Author
Full name
Tiago Lubiana Alves
E-mail
Institute/School/College
Knowledge Area
Date of Defense
Published
São Paulo, 2020
Supervisor
Committee
Nakaya, Helder Takashi Imoto (President)
Fujita, André
Silva, Israel Tojal da
Silveira, Eduardo Lani Volpe da
Title in Portuguese
Detecção de populações em dados de sequenciamento de RNA de células individuais por meio de módulos de coexpressão
Keywords in Portuguese
Coexpressão
Sequenciamento de RNA de células únicas
Tipo celular
Abstract in Portuguese
O advento do sequenciamento de RNA de células únicas trouxe avanços científicos e desafios técnicos. Desenvolver novos métodos de análise é uma etapa crucial paramaximizar a extração de conhecimento desses dados. Neste trabalho, exploramos o reposicionamentode um algoritmo de seleção de características para tratar desafios de dados públicos de RNA de células únicas. Adaptamos o método FCBF (Filtro Rápido Baseado em Correlação, Fast Correlation-Based Filter) para selecionar genes relevantes para distinguir tipos celulares, e encontrar módulos de genes coexpressos. Em dados de células de sangue, notamos que os módulos encontrados correspondiam a programas transcricionais característicos de grupos celulares conhecidos. Em decorrência disso, implementamos uma pipeline capaz de utilizar os módulos de coexpressão para inferir os tipos celulares presentes em conjuntos de dados de forma multinível, evadindo os limites das rotulações únicas tradicionais. Processamos con-juntos de dados de células mononucleares de sangue humano e células embrionárias de peixe-zebra,observando que os módulos e populações encontradas traziam a luz informações biologicamente relevantes. Os algoritmos foram implementados em dois pacotes do Bioconductor, FCBF e fcoex, e estão disponíveis para comunidade, aumentando o arsenal para análise de dados de sequenciamento de RNA de células únicas.
Title in English
Detection of populations in single-cell RNA sequencing data via coexpression modules
Keywords in English
Cell type
Coexpression
Single-cell RNA sequencing
Abstract in English
The advent of single-cell RNA sequencing has brought scientific advances and technical challenges. The development of new analysis methodologies is a crucial step to maximize the extraction of knowledge from this data. In this work, we explore the repositioning of a feature selection algorithm to address the analytical challenges of public single-cell RNA data. We adapted the FCBF method(Fast Correlation-Based Filter) to select relevant genes to distinguish cell types, and, from this list of genes, find modules of coexpressed genes. In blood cell data, we noted that the modules found corresponded to transcriptional programs characteristic of specific cell groups. As a result, we implemented a pipeline capable of using the coexpression modules to infer the cell types present in datasets in a multilevel way, avoiding the limits of traditional single labels. We processed datasets from human blood mononuclear cells and zebrafish embryonic cells, noting that the modules and populations found brought to light biologically relevant information. The algorithms were implemented in two Bioconductor packages, FCBF and fcoex, and are available to the community,increasing the arsenal for analyzing single-cell RNA sequencing data.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2021-02-12
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2021. All rights reserved.