MARC

 008250123s2024        us                              c    eng  d
■001000017163981
■00520250211152817
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384098782
■035    ▼a(MiAaPQ)AAI31558834
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aPersad,  Sitara  Camini.
■24510▼aComputational  Methods  for  Inferring  Mechanisms  of  Biological  Heterogeneity  in  Single-Cell  Data
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a219  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Pe'er,  Itsik.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aSingle-cell  sequencing  techniques,  such  as  single-cell  RNA  sequencing  (scRNA-seq)  and  single-cell  ATAC  sequencing  (scATAC-seq),  have  revolutionized  our  understanding  of  cellular  diversity  and  function.  Genetic  and  epigenetic  factors  influence  phenotypic  heterogeneity  in  ways  that  are  just  beginning  to  be  understood.  In  this  work,  we  develop  methods  for  inferring  mechanisms  of  biological  heterogeneity  in  single-cell  data,  with  particular  applications  to  cancer  biology.  First,  we  develop  a  kernel  archetype  analysis  method  for  overcoming  noise  and  sparsity  in  single-cell  data  by  aggregating  single  cells  into  high-resolution  cell  states.  We  show  that  the  proposed  approach  captures  robust  and  biologically  meaningful  cell  states  and  enables  the  inference  of  epigenetic  regulation  of  phenotypic  heterogeneity.  In  the  second  part  of  this  thesis,  we  develop  methods  for  linking  genotypic  and  phenotypic  information,  first  by  using  aggregated  single-cell  RNA  sequencing  and  a  hidden  Markov  model  to  infer  copy  number  variation.  We  demonstrate  that  aggregation  improves  copy  number  inference  over  existing  approaches.  We  then  integrate  DNA  sequencing  with  single-cell  RNA  sequencing  to  infer  copy  number  profiles  in  a  rapid  autopsy  of  a  patient  with  metastatic  pancreatic  cancer.  We  develop  a  scalable  algorithm  for  inferring  phylogenetic  relationships  between  cells  from  noisy  copy  number  profiles.  We  show  that  our  approach  more  accurately  recovers  phylogenetic  relationships  between  cells  and  apply  it  to  understand  the  relationship  between  genotype  and  phenotype  in  metastatic  cancer.  Finally,  we  develop  a  metric  for  quantifying  the  extent  to  which  genotype  determines  phenotype  in  lineage  tracing  data.  We  show  that  it  more  accurately  quantifies  phenotypic  plasticity  compared  to  existing  approaches.  Altogether,  these  methods  can  be  used  to  help  uncover  the  mechanisms  underlying  phenotypic  heterogeneity  in  biological  systems.
■590    ▼aSchool  code:  0054.
■650  4▼aComputer  science
■650  4▼aBiostatistics
■650  4▼aBiology
■650  4▼aBioinformatics
■650  4▼aGenetics
■653    ▼aInferring  mechanisms
■653    ▼aBiological  heterogeneity
■653    ▼aSingle-cell  data
■653    ▼aSingle-cell  RNA  sequencing
■653    ▼aCancer
■690    ▼a0984
■690    ▼a0308
■690    ▼a0306
■690    ▼a0369
■690    ▼a0715
■71020▼aColumbia  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163981▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서