MARC

 008250123s2024        us                              c    eng  d
■001000017162804
■00520250211152057
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382739076
■035    ▼a(MiAaPQ)AAI31348940
■035    ▼a(MiAaPQ)umichrackham005410
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aFeng,  Fan.
■24510▼aDeciphering  the  Knowledge  of  Human  Genome  With  Graphs
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a96  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Liu,  Jie.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aTranscriptional  regulation  in  human  cells  is  a  complex  process  that  requires  the  collaboration  of  diverse  genomic  elements  and  chemicals.  To  understand  the  mechanisms,  projects  including  the  Encyclopedia  of  DNA  Elements  (ENCODE),  Roadmap  Epigenomics,  and  4D  Nucleome  (4DN)  have  generated  thousands  of  genomic  and  epigenomic  datasets.  These  datasets  annotated  functional  elements  for  the  human  genome  (e.g.,  enhancers  and  promoters),  summarized  experimental  results  for  epigenomic  features  (e.g.,  protein  binding  locations),  and  linked  different  modalities  with  statistical  models  (e.g.,  GWAS  and  eQTLs).  From  the  available  data,  it  has  become  apparent  that  the  human  genome  should  not  be  over-simplified  as  a  1-D  linear  sequence.  Long-range  dependencies  on  DNA  sequences  play  a  vital  role  in  human  transcriptional  regulation.  For  example,  enhancers,  the  primary  units  of  gene  expression  regulation,  often  reside  hundreds  of  kilobases  away  from  their  target  genes.  Enhancers  engage  in  physical  interactions  with  target  genes  across  vast  genomic  distances  to  activate  them.  Therefore,  interpreting  the  human  genome  requires  a  more  advanced  data  structure  capable  of  capturing  long-distance  and  complicated  relationships.This  dissertation  discusses  how  to  decipher  the  human  genome  as  a  graph.  Graphs,  composed  of  nodes  (or  vertices)  and  edges,  provide  a  powerful  framework  for  modeling  relationships.  Graphs  have  been  proven  effective  in  representing  relationships  in  diverse  real-world  scenarios,  such  as  social  networks,  transportation  systems,  and  communication  networks.  In  the  subsequent  chapters,  the  representations  of  the  human  genome  as  a  graph  will  be  introduced  and  explored.Chapter  2  introduces  the  application  of  chromosome  conformation  capture  (3C)  technology,  which  unveils  physical  interactions  among  genomic  regions.  Analyzing  the  large-scale  contact  maps  generated  by  3C  technology  is  instrumental  in  uncovering  the  long-range  dependencies  of  genomic  entities  and  understanding  transcriptional  regulation.  Therefore,  we  developed  computational  tools  including  scHiCTools  and  Quagga  to  extract  structural  features  from  these  maps.In  Chapter  3,  we  addressed  the  importance  of  high-resolution  and  high-quality  chromatin  contact  maps.  Therefore,  we  developed  a  computational  model,  CAESAR,  to  connect  epigenomics  and  high-resolution  chromatin  structure.  CAESAR  successfully  imputes  an  unprecedented  number  of  high-resolution  human  chromatin  contact  maps,  which  allows  users  to  easily  navigate  these  fine-scale  chromatin  structures  and  the  corresponding  regulatory  mechanisms.Beyond  3D  interactions,  numerous  data  consortia  and  databases  unveil  the  characteristics  of  genomic  entities  and  their  relationships.  Despite  the  invaluable  insights  provided  by  these  consortia,  the  separately  stored  tabular  data  remain  in  a  1D  sequential  framework,  posing  inconveniences  for  genomic  research  and  scientific  discoveries.  To  address  this  challenge,  we  introduce  the  Genomic  Knowledgebase  (GenomicKB)  in  Chapter  4.  GenomicKB  is  a  knowledge  graph  that  seamlessly  integrates  datasets  and  annotations  related  to  the  human  genome  into  a  knowledge  graph.  Through  a  graph-based  interpretation  of  the  human  genome,  we  anticipate  that  genomic  research  will  increasingly  become  data-driven.  GenomicKB  aims  to  provide  high-quality  and  integrated  data  for  large-scale  machine  learning  methods,  thereby  facilitating  scientific  discoveries.
■590    ▼aSchool  code:  0127.
■650  4▼aBioinformatics
■650  4▼aCellular  biology
■650  4▼aGenetics
■653    ▼aDeep  learning
■653    ▼aKnowledge  graph
■653    ▼aHuman  genomics
■653    ▼a3D  genomics
■653    ▼aTranscriptional  regulation
■690    ▼a0715
■690    ▼a0379
■690    ▼a0369
■71020▼aUniversity  of  Michigan▼bBioinformatics.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162804▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서