paprika.idref.fr paprika.idref.fr data.idref.fr data.idref.fr Documentation Documentation
Identifiant pérenne de la notice : 22663289XCopier cet identifiant (PPN)
Notice de type Notice de regroupement

Point d'accès autorisé

Expériences d’optique atomique cohérente ou non avec un jet superfin d’atomes métastables de gaz rares

Variante de point d'accès

Learning genetic networks from expression data
[Notice de regroupement]

Information

Langue d'expression : allemand, vieux haut (ca. 750-1050)
Date de parution :  2007

Notes

Note publique d'information : 
[Résumé en français] Dans cette thèse, nous abordons le défi de l'inférence de la structure de réseaux de régulation génétique. Sur la base de jeux de données de transcriptome, il s'agit d'inférer les mécanismes de régulation sous-jacents : connaître, pour chaque gène, les facteurs de transcription régulant son expression, et surtout quels sont les modes de coopération/concurrence qui opèrent lorsque plusieurs régulateurs agissent sur un même gène cible. Pour répondre à ce problème, nous avons proposé une méthode originale LICORN, capable d'apprendre des réseaux locaux de régulation coopérative. Une suite d'analyses biologiques et statistiques systématique ainsi qu'un système d'extraction de modules de gènes ont été développés pour évaluer la pertinence et exploiter les résultats appris par notre système. LICORN a été évalué et validé en premier lieu sur la levure, l'organisme eucaryote le plus simple et donc le mieux connu, et puis sur des données de transcriptome d'organismes plus complexes, l'homme

Note publique d'information : 
[Résumé en anglais] In this dissertation, we address the challenge of reconstructing gene regulation from gene expression data. Our goal is to identify, for each gene expressed in a particular context, the regulators affecting its transcription, and the co-ordination of several regulators in specific types of regulation. To answer this challenge, we propose a data mining system for inferring transcriptional regulation relationships from RNA expression values. This system is particularly suitable for the detection of co-operative transcriptional regulation. We also evaluate the statistical significance of such inferred networks and validate our methods on public yeast expression data sets. Then, we extend our approche to scaling to the much more complex case of human epithelial tissue. Finally, we introduce a method to cluster genes into functional modules given their transcriptional structure, inferred as a first step from gene expression data.


Notices d'autorité liées

... Références liées : ...