prikaz prve stranice dokumenta Identification of gene signature of human inflammatory breast cancer using machine learning methods
Rad dostupan nakon 2025-09-27
diplomski rad
Identification of gene signature of human inflammatory breast cancer using machine learning methods
Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2023. urn:nbn:hr:217:263476
Lovrečić, Karlo
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Biološki odsjek

Institucijski repozitorij: Repozitorij Prirodoslovno-matematičkog fakulteta

Citirajte ovaj rad

Lovrečić, K. (2023). Identification of gene signature of human inflammatory breast cancer using machine learning methods (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:263476

Lovrečić, Karlo. "Identification of gene signature of human inflammatory breast cancer using machine learning methods." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:217:263476

Lovrečić, Karlo. "Identification of gene signature of human inflammatory breast cancer using machine learning methods." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:217:263476

Lovrečić, K. (2023). 'Identification of gene signature of human inflammatory breast cancer using machine learning methods', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 08.11.2024., https://urn.nsk.hr/urn:nbn:hr:217:263476

Lovrečić K. Identification of gene signature of human inflammatory breast cancer using machine learning methods [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2023 [pristupljeno 08.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:263476

K. Lovrečić, "Identification of gene signature of human inflammatory breast cancer using machine learning methods", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:263476

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:263476
Podaci o radu
NaslovIdentification of gene signature of human inflammatory breast cancer using machine learning methods
Naslov (engleski)Identifikacija genskog potpisa upalnog raka dojke čovjeka metodama strojnog učenja
AutorKarlo Lovrečić
MentorRosa Karlić (mentor)
Član povjerenstvaRosa Karlić (predsjednik povjerenstva)
Član povjerenstvaZorana Grubić (član povjerenstva)
Član povjerenstvaIvana Šola (član povjerenstva)
Član povjerenstvaMaja Matulić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
(Biološki odsjek)
Zagreb
Datum i država obrane2023-09-27, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Biologija
Sažetak
Inflammatory breast cancer (IBC) is a rare subtype of breast cancer characterized by its fast progression, aggressiveness, and symptoms similar to acute breast inflammation. The key role in IBC plays its complex tumour microenvironment. Despite the extensive research, an IBC-specific gene signature remains to be discovered. A major obstacle in IBC research is the fact that most of the available genomic data is obtained using microarray technology which has its limitations. A computational deconvolution approach provides a new perspective in investigating IBC. Deconvolution methods can overcome challenges regarding tumour samples obtained using distinct microarray platforms, and the difference between ratios of tumour and stromal cells within samples from distinct datasets. In this graduation thesis, the deconvolution method CIBERSORTx was performed to obtain relative cell fractions of different cell types in IBC and non-IBC samples, and to obtain cell-type specific gene expression profiles. Statistical analysis of relative cell fractions revealed statistically significant differences in relative cell fractions of different cell types between IBC and non-IBC samples. Random forest and SVM models were trained using cell-type specific gene expression profiles and their performance was evaluated using an independent test dataset comprised of 110 samples (39 IBC, 71 non-IBC).
Sažetak (hrvatski)
Upalni rak dojke (engl. inflammatory breast cancer, IBC) je rijedak podtip raka dojke karakteriziran brzom progresijom i simptoma nalik akutnoj upali dojke. Ključnu ulogu kod upalnog raka dojke ima kompleksan tumorski mikrookoliš. Unatoč intenzivnim istraživanjima, genski potpis specifičan za upalni rak dojke i dalje nije otkriven. Glavna prepreka u istraživanjima upalnog raka dojke su ograničenja DNA-mikročipova, kojima je dobivena većina dostupnih genomskih podataka o ovom tipu raka. Računalna dekonvolucija predstavlja novi pristup u istraživanju upalnog raka dojke. Korištenjem računalne dekonvolucije mogu se prevladati izazovi vezani uz analizu uzoraka tumora dobivenih korištenjem različitih DNA-mikročipova te usporediti razlika između omjera tumorskih i stromalnih stanica u uzorcima porijeklom iz različitih setova podataka. U ovom diplomskom radu, provedena je metoda CIBERSORTx kojom su dobiveni relativni stanični udjeli različitih staničnih tipova za uzorke tkiva upalnog i neupalnog raka dojke. Također, dobiveni su i ekspresijski profili specifični za pojedini tip stanica. Statističkom analizom utvrđeno je da postoje statistički značajne razlike u relativnim staničnim udjelima analiziranih staničnih tipova između uzoraka tkiva upalnog i neupalnog raka dojke. Modeli strojnog učenja „Random forest“ i „SVM“ istrenirani su korištenjem ekspresijskih profila dobivenih metodom CIBERSORTx. Preciznost klasifikacije istreniranih modela strojnog učenja utvrđena je na testnom setu podataka koji sadrži 110 uzoraka (39 IBC, 71 non-IBC).
Ključne riječi
Ključne riječi (hrvatski)
Jezikengleski
URN:NBNurn:nbn:hr:217:263476
Studijski programNaziv: Molekularna biologija
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra molekularne biologije (mag. biol. mol.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaRad dostupan nakon
Datum isteka embarga: 2025-09-27
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2023-10-17 11:30:13