Probabilistic components of molecular interactions and drug responses

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.author Parkkinen, Juuso
dc.date.accessioned 2014-07-30T09:00:17Z
dc.date.available 2014-07-30T09:00:17Z
dc.date.issued 2014
dc.identifier.isbn 978-952-60-5774-3 (electronic)
dc.identifier.isbn 978-952-60-5773-6 (printed)
dc.identifier.issn 1799-4942 (electronic)
dc.identifier.issn 1799-4934 (printed)
dc.identifier.issn 1799-4934 (ISSN-L)
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/13631
dc.description.abstract A fundamental question in medicine is how cancer and other complex diseases operate on the molecular level. Identifying the detailed mechanisms and interactions of how diseases progress and respond to drug treatments is essential for developing effective therapies. High-throughput molecular profiling technologies have provided vast amounts of measurement data of these phenomena. However, making sense of these masses of data is far from straightforward and requires advanced computational analysis methods. Probabilistic component models have been proven an effective tool in analysing and integrating high-dimensional and noisy molecular profiling data sources, such as gene expression. Such models can identify coherent components from the data, and interpreting these components provides insights about the underlying biological processes, such as disease progression and drug responses. In this thesis, probabilistic component models are applied and extended to identify and analyse molecular interaction and drug response patterns. Identifying functionally coherent gene modules from high-throughput measurements is a central task in many biomedical applications. In this thesis, an earlier component model for network data is extended for capturing functional modules from combinations of gene expression and protein interaction data. The identified modules provide hypotheses for novel molecular pathways and protein functions. High-throughput drug treatment measurements have made possible the detailed analysis of molecular drug responses and toxicity. In this thesis, probabilistic component models are applied to detect coherent drug response patterns from gene expression data. These patterns provide detailed insights to drug mechanisms of action and are highly applicable in cancer therapy development. Moreover, by associating the identified drug response components to toxicological outcomes, the first comprehensive view of molecular toxicogenomic responses is constructed with high performance in drug toxicity prediction. en
dc.description.abstract Syövän ja muiden monimutkaisten tautien molekyylitason mekanismien selvittäminen on keskeinen ongelma lääketieteessä. Tautien yksityiskohtaisten leviämismekanismien ja lääkevasteiden tunnistaminen on tärkeää tehokkaiden hoitomenetelmien kehityksessä. Näistä ilmiöistä on kerätty suuria molekyylitason aineistoja uusien mittausmenetelmien avulla. Näiden aineistojen tehokas hyödyntäminen vaatii kehittyneitä laskennallisia analyysimenetelmiä. Tilastolliset komponenttimallit ovat osoittautuneet tehokkaaksi työkaluksi suuriulotteisten ja kohinaisten mittausaineistojen, kuten geeniekspressiodatan, analysoinnissa ja yhdistämisessä. Tällaisilla malleilla datasta voidaan tunnistaa komponentteja, joita tulkitsemalla saadaan uuttaa tietoa biologisista prosesseista, kuten tautien etenemisestä ja lääkevasteista. Tässä väitöskirjatyössä tilastollisia komponenttimalleja sovelletaan molekyylien vuorovaikutusten ja lääkevasteiden tunnistamiseen ja analysointiin. Toiminnallisten geenimoduulien tunnistaminen suurista mittausaineistoista on keskeinen tehtävä monissa biolääketieteen sovelluksissa. Tässä väitöskirjatyössä aiempaa vuorovaikutuskomponenttimallia laajennetaan geenimoduulien tunnistamiseen geeniekspressio- ja proteiinien vuorovaikutusaineistoja yhdistämällä. Tunnistetut moduulit auttavat yksittäisten proteiinien ja niiden vuorovaikutusketjujen toiminnan selvittämisessä. Perimänlaajuiset lääkealtistusmittaukset ovat mahdollistaneet lääkevasteiden ja toksisuuden yksityiskohtaisen tutkimuksen. Tässä väitöskirjatyössä komponenttimalleilla haetaan säännönmukaisia lääkevasteita geeniekspressioaineistoista. Tunnistetut vasteet antavat uutta tietoa lääkkeiden vaikutuksista ja niitä voidaan käyttää uusien syöpähoitojen kehittämiseen. Hakemalla tilastollisia yhteyksiä geeniekspressiovasteiden ja toksisuusmittausten välillä saadaan lisäksi kokonaiskuva lääkkeiden toksisuuteen liittyvistä molekyylitason vasteista ja mahdollistetaan lääkkeiden toksisuuden tehokas ennustaminen. fi
dc.format.extent 78 + app. 92
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.publisher Aalto University en
dc.publisher Aalto-yliopisto fi
dc.relation.ispartofseries Aalto University publication series DOCTORAL DISSERTATIONS en
dc.relation.ispartofseries 105/2014
dc.relation.haspart [Publication 1]: Juuso A. Parkkinen and Samuel Kaski. Searching for functional gene modules with interaction component models. BMC Systems Biology, 4:4, 2010. doi:10.1186/1752-0509-4-4.
dc.relation.haspart [Publication 2]: Juuso A. Parkkinen, Pekka Kohonen, Egon L. Willighagen, Rebecca Ceder, Krister Wennerberg, Samuel Kaski, Roland C. Grafström. Toxicogenomics-based probabilistic modelling enables prediction of dose-dependent toxicity. Submitted to a journal, 2014.
dc.relation.haspart [Publication 3]: Juuso A. Parkkinen and Samuel Kaski. Probabilistic drug connectivity mapping. BMC Bioinformatics, 15:113, 2014. doi:10.1186/1471-2105-15-113.
dc.relation.haspart [Publication 4]: Tommi Suvitaival, Juuso A. Parkkinen, Seppo Virtanen, Samuel Kaski. Cross-organism toxicogenomics with group factor analysis. Systems Biomedicine, 2:e29291, 2014. doi:10.4161/sysb.29291.
dc.relation.haspart [Publication 5]: Juuso Parkkinen, Kristian Nybo, Jaakko Peltonen and Samuel Kaski. Graph Visualization With Latent Variable Models. In Proceedings of the Eighth Workshop on Mining and Learning with Graphs, Pages 94-101. ACM, New York, NY, USA, 2010. doi:10.1145/1830252.1830265.
dc.subject.other Biotechnology en
dc.subject.other Medical sciences en
dc.title Probabilistic components of molecular interactions and drug responses en
dc.title Solutason lääkevasteiden ja molekyylivuorovaikutusten tilastollisia komponentteja fi
dc.type G5 Artikkeliväitöskirja fi
dc.contributor.school Perustieteiden korkeakoulu fi
dc.contributor.school School of Science en
dc.contributor.department Tietojenkäsittelytieteen laitos fi
dc.contributor.department Department of Information and Computer Science en
dc.subject.keyword Bayesian statistics en
dc.subject.keyword gene expression en
dc.subject.keyword machine learning en
dc.subject.keyword molecular medicine en
dc.subject.keyword probabilistic component models en
dc.subject.keyword toxicology en
dc.subject.keyword Bayesiläinen tilastotiede fi
dc.subject.keyword geeniekspressio fi
dc.subject.keyword koneoppiminen fi
dc.subject.keyword molekyylilääketiede fi
dc.subject.keyword tilastolliset komponenttimallit fi
dc.subject.keyword toksikologia fi
dc.identifier.urn URN:ISBN:978-952-60-5774-3
dc.type.dcmitype text en
dc.type.ontasot Doctoral dissertation (article-based) en
dc.type.ontasot Väitöskirja (artikkeli) fi
dc.contributor.supervisor Kaski, Samuel, Prof., Aalto University, Department of Information and Computer Science, Finland
dc.opn Yamanishi, Yoshihiro, Prof., Kyushu University, Japan
dc.date.dateaccepted 2014-06-04
dc.rev Nykter, Matti, Prof., University of Tampere, Finland
dc.rev Shiga, Motoki, Prof., Gifu University, Japan
dc.date.defence 2014-08-29


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account