Identification of modulators in cancer tumor progression
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/354615
Tipus de documentTreball Final de Grau
Data2021-06-29
Condicions d'accésAccés obert
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
L'objectiu d'aquest treball de fi de grau és identificar un conjunts de moduladors rellevants obtinguts a partir d'una sèrie d'expressions genètiques amb la finalitat d'ajudar en l'anàlisi i el tractament de pacients amb càncer de mama. La identificació d'aquests gens es farà analitzant un model de classificació amb l'habilitat de predir els subtipus de tumors mamaris. També formaran part d'aquest conjunt els moduladors que participen activamentent la predicció del temps de recaiguda del pacient. Els resultats s'han obtingut fent ús de dues metodologies: en primer lloc, s'utilitzaran les xarxes neuronals per dissenyar un model de classificació. A continuació, s'aplicaran tècniques d'interpretabilitat per tal de proporcionar validesa al resultats obtinguts. D'aquesta manera, es podrà identificar els moduladors que han determinat el resultat. En segon lloc, s'ha treballat amb la idea anterior per calcular la predicció del temps de recaiguda, però els resultats no han estat positius. No obstant, s'han construït dos estimadors capaços de modelar el temps de recaiguda dels pacients. Posteriorment, s'estudiarà la contribució de cada variable amb la finalitat d'establir quins moduladors han tingut més protagonisme a l'hora de modelar el risc de recaiguda. This final degree project is a study focused on the detection of relevant modulators from genetic expressions in order to help in the analysis and treatment of diagnosed breast cancer patients. The identification of the genes will be established from those that contribute in the classification of breast tumor subtypes and the ones that take part in the prediction of a possible relapse. Two methodologies will be used to find the results: Firstly, the neural networks will be used in the classification model. Then, we will apply interpretability techniques in order to provide validity to the result, allowing us to extract the pathways that have largely determined the output. Secondly, we have worked with the previous idea to compute the relapse prediction, but the results were not as good as we expected. However, two estimators that are able to model the patients relapse have been constructed. The contribution of each variable will be studied in order to establish which modulators have more prominence when modeling the risk of relapse. El objetivo de este trabajo de fin de grado es identificar conjuntos de moduladores relevantes obtenidos a partir de una serie de expresiones genéticas con la finalidad de ayudar en el análisis y el tratamiento de pacientes con cáncer de mama. La identificación de estos genes se hará analizando los resultados de un modelo de clasificación capaz de predecir los subtipos de tumores mamarios. También formarán parte de este conjunto los moduladores que participan en la predicción del tiempo de recaída del paciente. Los resultados se han obtenido a partir de dos metodologías: en primer lugar, se utilizarán las redes neuronales para diseñar un modelo de clasificación. A continuación, se aplicarán técnicas de interpretabilidad para proporcionar validez a los resultados obtenidos. De este manera, se podrán identificar los moduladores que han determinado el resultado. En segundo lugar, se ha trabajado con la idea anterior para calcular la predicción del tiempo de recaída, pero los resultados no han sido los esperados. No obstante, se han construido dos estimadores con la capacidad de modelar el tiempo de recaída de los pacientes. Posteriormente, se estudiará la contribución de cada variable para establecer qué moduladores han tenido más protagonismo en el modelado del riesgo de recaída del paciente.
MatèriesBreast -- Cancer, Neural networks (Computer science), Mama -- Càncer, Xarxes neuronals (Informàtica), Predicció
TitulacióGRAU EN CIÈNCIA I ENGINYERIA DE DADES (Pla 2017)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
161441.pdf | 4,949Mb | Visualitza/Obre |