Kudoksen solupopulaatioiden tunnistaminen spatiaalisen transkriptomiikan datasta

No Thumbnail Available

Files

URL

Journal Title

Journal ISSN

Volume Title

Sähkötekniikan korkeakoulu | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2024-11-28

Department

Major/Subject

Bioinformaatioteknologia

Mcode

ELEC3016

Degree programme

Sähkötekniikan kandidaattiohjelma

Language

fi

Pages

26

Series

Abstract

2000-luvun alussa kehitetyt korkean suorituskyvyn sekvensointiteknologiat mahdollistavat jopa satojen miljoonien emässekvenssien yhtäaikaisen sekvensoinnin. Yleisessä käytössä olevat RNA-sekvensointiteknologiat kuten bulk-RNA-sekvensointi sekä yksisolu-RNA-sekvensointi johtavat kuitenkin luettujen transkriptien paikkatietojen menettämiseen. Spatiaalisen transkriptomiikan avulla kudosta voidaan analysoida avaruudellisessa kontekstissa mahdollistaen geeni-ilmentymien ja solupopulaatioiden sijainnin määrittämisen kudoksessa. Spatiaalisen transkriptomiikan teknologiat tuottavat suurikokoisia ja monimutkaisia datasettejä, joiden analysoimiseen on kehitetty tehokkaita laskennallisia menetelmiä. Laskennalliset menetelmät mahdollistavat muun muassa korkeaulotteisen datan visualisoimisen ja klusteroinnin kahdessa ulottuvuudessa. Työssä tehdään katsaus yleisimmässä käytössä oleviin menetelmiin ja perehdytään erityisesti t-SNE (t-distributed Stochastic Neighbor Embedding) -menetelmään. Työn kokeellisessa osiossa sovelletaan käsiteltyjä menetelmiä munarauhasen kuorikerroksesta tuotetulle spatiaalisen transkriptomiikan datasetille. Osiossa havainnollistetaan, miten histologisen leikkeen solut voidaan jakaa populaatioittain niiden sijaintia ja geeniekspressiota hyödyntäen. Analyysissä havaitaan, että käytetyn teknologian merkittävin haasteen on heikko resoluutio, joka rajoittaa merkityksellisten soluklusterien muodostumista. Teknologia mahdollistaa kuitenkin geeniekspressiokuvioiden hahmottumisen sekä tehokkaan solutyyppien paikantamisen kudokseen markkerigeenejä hyödyntämällä.

Description

Supervisor

Turunen, Markus

Thesis advisor

Lähdesmäki, Harri

Keywords

spatiaalinen transkriptomiikka, RNA-sekvensointi, geeni-ilmentymä, klusterointi, dimensionaalisuuden vähentäminen, t-SNE

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202501211459

Collections

[kand] Sähkötekniikan korkeakoulu / ELEC