• MeSH
• Data Mining MeSH
• Databases as Topic MeSH
• Gene Expression MeSH
• Transcription, Genetic MeSH
• Neoplasms, Germ Cell and Embryonal MeSH
• Information Systems MeSH
• RNA, Messenger MeSH
• Methylation MeSH
• MicroRNAs MeSH
• Myelodysplastic Syndromes MeSH
• Biomarkers, Tumor MeSH
• Computer Systems MeSH
• Information Storage and Retrieval MeSH
• Medical Informatics Applications MeSH

• Conspectus
• Biochemie. Molekulární biologie. Biofyzika
• NML Fields
• genetika, lékařská genetika
• biologie
• lékařská informatika
• NML Publication type
• závěrečné zprávy o řešení grantu IGA MZ ČR

Projekt významně funkčně rozšiřuje stávající podobu veřejného XGENE.ORG web nástroje s cílem umožnit kombinaci a souhrnné vyhodnocení uživatelských mRNA, miRNA a metylačních dat se současným využitím všech vhodných zdrojů strukturované genomické znalosti. Kromě nástroje budou výstupem i výsledky dosažené ve spolupráci s konkrétními pracovišti zabývajícími se myelodysplastickým syndromem a tumory zárodečných buněk. Jádrem řešení budou pokročilé algoritmy relačního strojového učení a stochastické optimalizace, statistické metody a moderní metody pro tvorbu webových aplikací. Konkrétními výstupy nástroje budou 1) biologicky snadno popsatelné vzory ve tvaru množiny nebo anotované sítě specifických příbuzných elementů typu gen, bílkovina, miRNA sekvence nebo metylační ostrůvek spojených s konkrétní charakteristickou množinou biologických vzorků a 2) prediktivní modely určující neznámý fenotyp vzorku se známými hodnotami měřitelných molekulárních markerů.; This project significantly extends the current public XGENE.ORG web tool in order to facilitate integrated knowledge discovery from raw mRNA, miRNA and methylation data with concurrent utilization of the structured genomic background knowledge. There are two main project outputs: the tool (and the methodology behind it) itself and the particular results reached in cooperation with clinical and biological departments working in the fields of myelodysplastic syndrome and germ cell tumors. The solution is based on relational learning algorithms, stochastic optimization, statistics and development of web applications. The tool outputs namely 1) biologically understandable patterns having a form of sets or annotated networks of specific related elements such as genes, proteins, miRNA sequences or methylation islands interconnected with particular subsets of biological samples under study and 2) predictive models classifying samples characterized by measurable molecular markers with unknown phenotypes.

Doba řešení: 2013-2015

Obsahuje literaturu