MARC

 008250123s2024        us                              c    eng  d
■001000017163365
■00520250211152658
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384023173
■035    ▼a(MiAaPQ)AAI31487748
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aColeman,  Kyle.
■24510▼aMachine  Learning  Methods  for  the  Analysis  of  Multi-Modal  Spatial  Omics  Data
■260    ▼a[Sl]▼bUniversity  of  Pennsylvania▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a119  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  Li,  Mingyao;Shinohara,  Russell  T.
■5021  ▼aThesis  (Ph.D.)--University  of  Pennsylvania,  2024.
■520    ▼aIn  providing  spatial  context  to  molecular  expression,  spatial  omics  technologies  have  profound  implications  for  disease  diagnosis,  outcome  prediction,  and  the  development  of  novel  therapeutics.  However,  the  inherent  limitations  and  complexities  of  spatial  omics  data  restrict  their  interpretability  and  complicate  their  integration  into  clinical  settings.  For  instance,  sequencing-based  spatial  transcriptomics  data  lack  single-cell  resolution,  hindering  the  precise  localization  of  specific  cell  types.  Additionally,  while  spatial  omics  technologies  can  generate  multiple  omics  and  imaging  modalities  from  a  single  tissue  section,  effectively  integrating  these  diverse  modalities  remains  a  complex  task.  Moreover,  the  vast  amount  of  data  produced  by  imaging-based  spatial  transcriptomics  experiments,  which  can  encompass  millions  of  cells,  renders  traditional  spatial  omics  analysis  methods  ineffective.  This  dissertation  addresses  these  challenges  by  harnessing  machine  learning  to  enhance  the  analysis  and  interpretation  of  spatial  omics  data.  First,  we  developed  a  cell-type  deconvolution  method  for  sequencing-based  spatial  transcriptomics  data  that  combines  gene  expression  and  histology  imaging  data  to  accurately  estimate  spatial  distributions  of  specific  cell  types.  Second,  we  developed  a  multi-modal  feature  extraction  and  spatial  clustering  algorithm  that  can  integrate  data  from  any  number  of  omics  and  imaging  modalities.  Lastly,  we  developed  a  workflow  for  analyzing  data  from  MERFISH  experiments  consisting  of  16  million  cells  across  eight  cortical  areas  and  four  developmental  stages  from  the  human  fetal  cortex.  Each  of  these  projects  aims  to  bolster  the  power  and  interpretability  of  spatial  omics  data,  thereby  accelerating  the  discovery  of  novel  biological  insights  and  facilitating  the  incorporation  of  spatial  omics  into  clinical  practice.
■590    ▼aSchool  code:  0175.
■650  4▼aBiostatistics
■650  4▼aBiomedical  engineering
■650  4▼aHistology
■650  4▼aComputer  science
■650  4▼aMedical  imaging
■653    ▼aDeep  learning
■653    ▼aHistology  imaging
■653    ▼aMulti-modal  spatial  omics
■653    ▼aSpatial  multi-omics
■653    ▼aSpatial  transcriptomics
■690    ▼a0308
■690    ▼a0984
■690    ▼a0541
■690    ▼a0574
■690    ▼a0414
■71020▼aUniversity  of  Pennsylvania▼bStatistics  and  Data  Science.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0175
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163365▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books