MARC

 008260126s2024        us                              c    eng  d
■001000017356554
■00520260202102950
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315703273
■035    ▼a(MiAaPQ)AAI31765103
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aWu,  Euphy  Y.
■24510▼aStatistical  Challenges  in  Sequencing  Data:  Addressing  Uncertainty  in  Analysis
■260    ▼a[Sl]▼bThe  University  of  North  Carolina  at  Chapel  Hill▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a142  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Love,  Michael  I.;Rashid,  Naim  U.
■5021  ▼aThesis  (Ph.D.)--The  University  of  North  Carolina  at  Chapel  Hill,  2024.
■520    ▼aThe  advancement  of  high-throughput  sequencing  technologies  has  revolutionized  biological  research.  However,  these  technologies  also  introduce  new  statistical  uncertainties.  In  this  work,  we  present  novel  statistical  methods  that  account  for  statistical  uncertainties  and  best  practice  to  mitigate  bias  in  analyzing  sequencing  data.In  project  1,  we  focus  on  detecting  allelic  imbalance  on  the  isoform  level,  caused  by  non-coding  variants  in  the  regulatory  regions.  This  analysis  requires  accounting  for  inferential  uncertainty,  caused  by  multi-mapping  of  RNA-sequencing  reads.  Our  proposed  method,  SEESAW,  uses  Salmon  and  Swish  to  offer  analysis  at  various  levels  of  resolution,  while  accounting  for  inferential  uncertainty.  In  project  2,  we  address  the  challenge  of  detecting  cell  composition  changes  using  paired  single-cell  RNA-sequencing  (scRNA-seq)  data  in  cancer  research.  We  proposed  a  novel  approach  scSTMseq,  a  topic  modeling-based  framework  designed  to  infer  cell  clusters  and  estimate  clustering  uncertainty  while  integrating  cell-level  covariates,  such  as  time.  We  coupled  this  framework  with  Multivariate  analysis  of  variance  for  repeated  measures  to  infer  cell  composition  changes.In  project  3,  we  explored  the  CRISPR  inference/activation  screens  to  study  the  regulatory  roles  of  non-coding  elements.  Unlike  standard  scRNA-seq,  scaling-based  normalization  introduces  selection  bias  due  to  correlations  between  perturbation  states  and  the  sequencing  depth,  which  complicates  the  case-control  classification.  We  demonstrated  this  bias  and  proposed  Poisson  regression  as  a  better  alternative  for  normalization  in  the  CRISPR-i/a  studies.
■590    ▼aSchool  code:  0153.
■650  4▼aBiostatistics
■650  4▼aGenetics
■650  4▼aApplied  mathematics
■650  4▼aBioinformatics
■653    ▼aRNA  sequencing
■653    ▼aTopic  modeling
■653    ▼aPoisson  regression
■690    ▼a0308
■690    ▼a0369
■690    ▼a0715
■690    ▼a0364
■71020▼aThe  University  of  North  Carolina  at  Chapel  Hill▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0153
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17356554▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books