MARC

 008250123s2024        us                              c    eng  d
■001000017161804
■00520250211151447
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382807485
■035    ▼a(MiAaPQ)AAI31296546
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aMuscarella,  Antonio  Dominic.▼0(orcid)0000-0001-8399-4378
■24510▼aDecoding  Cancer  Alterations  Through  Machine  Learning  and  Interactive  Data  Visualization
■260    ▼a[Sl]▼bPrinceton  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a83  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Singh,  Mona.
■5021  ▼aThesis  (Ph.D.)--Princeton  University,  2024.
■520    ▼aThe  rapid  proliferation  of  large-scale  cancer  sequencing  data  and  the  subsequent  development  of  computational  methods  to  analyze  it  has  afforded  us  a  unique  opportunity  to  interrogate  the  fundamental  processes  disrupted  in  cancer.  However,  there  remain  many  unresolved  questions  in  cancer  biology,  including:  the  complex  interplay  between  changes  in  the  cancer  genome  and  transcriptome  with  downstream  changes  in  the  metabolome,  which  has  shown  to  play  a  crucial  role  in  a  variety  of  cancer  contexts;  and  the  impact  of  variants  of  unknown  significance  which  arise  in  clinical  tumor  sequencing  panels.  Both  of  these  outstanding  questions  hold  a  particular  importance  in  the  development  of  targeted  therapeutics  and  precision  cancer  medicine.  In  this  dissertation,  I  introduce  novel  computational  approaches  to  advance  our  understanding  of  cancer  biology  on  these  fronts.  First,  I  train  a  machine  learning  method  to  predict  metabolite  levels  in  cancer  from  gene  expression  data.    I  employ  a  sophisticated  cross-validation  procedure  to  maximize  power  and  minimize  bias,  apply  state-of-the-art  feature  importance  analysis  to  uncover  underlying  gene-metabolite  relationships  behind  model  predictions,  and  demonstrate  that  the  methodology  is  broadly  applicable  to  both  cancer  cell  line  and  patient-derived  primary  tumor  data.  Next,  I  develop  a  library  of  aggregated  features  to  characterize  cancer  somatic  mutations  with  the  aim  of  identifying  driver  events.  I  employ  this  library  in  the  development  of  an  interactive  visualization  tool  to  aid  in  the  interrogation  of  variants  of  unknown  significance  in  individual  patient  sequencing  data.  I  then  demonstrate  the  utility  of  this  tool  in  distinguishing  mutations  with  known  cancer  effects  in  a  large  cohort  of  targeted  tumor  sequencing  patients.  Together,  these  two  approaches  provide  deeper  insights  into  cancer  biology  and  will  enable  the  development  of  more  effective  therapies  to  treat  cancer  in  the  clinic.
■590    ▼aSchool  code:  0181.
■650  4▼aBioinformatics
■650  4▼aComputer  science
■650  4▼aBiology
■650  4▼aOncology
■653    ▼aCancer  biology
■653    ▼aCancer  genomics
■653    ▼aCancer  metabolism
■653    ▼aMachine  learning
■653    ▼aMetabolomics
■653    ▼aTranscriptomics
■690    ▼a0715
■690    ▼a0984
■690    ▼a0306
■690    ▼a0992
■71020▼aPrinceton  University▼bQuantitative  Computational  Biology.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0181
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161804▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books