Η τεχνολογία ανάλυσης μονήρων κυττάρων (single-cell RNA sequencing, scRNA-seq) έχει επαναστατικοποιήσει τη μελέτη του μεταγραφώματος (transcriptome), με αποτέλεσμα την παραγωγή νέας γνώση σχετικά με την κυτταρική ποικιλομορφία και τις δυναμικές βιολογικές διεργασίες που διέπουν τη ζωή των κυττάρων. Ωστόσο, η ανάλυση scRNA-seq δεδομένων είναι σύνθετη λόγω της μεγάλης διαστατικότητας και του θορύβου, πράγμα που απαιτεί προχωρημένες υπολογιστικές μεθόδους για την ανάκτηση της βιολογικής πληροφορίας από αυτά τα δεδομένα. Το MLscAN (Machine Learning for single-cell Analytics) είναι ένα R πακέτο που αναπτύχθηκε από την ομάδα μας στο Πανεπιστήμιο Αθηνών για να παρέχει μία πλήρη ροή επεξεργασίας scRNA-seq δεδομένων. Ενσωματώνοντας μεθόδους μηχανικής μάθησης όπως η μείωση της διαστατικότητας, η μη επιβλεπόμενη συσταδοποίηση, η ανίχνευση κυτταρικής τροχιάς και η δημιουργία γενετικών ρυθμιστικών δικτύων, το MLscAN δίνει τη δυνατότητα σε ερευνητές να αναγνωρίσουν κυτταρικούς τύπους, να ανιχνεύσουν κυτταρικές μεταβάσεις και να ανακαλύψουν τις κινητήριες δυνάμεις πίσω από τις δυναμικές βιολογικές διεργασίες. Αυτή η πτυχιακή εργασία έχει ως σκοπό τη βελτίωση του πακέτου MLscAN και της ευχρηστίας του μέσω τεχνικών και άλλων βελτιώσεων με επίκεντρο τον χρήστη. Οι τεχνικές αλλαγές επικεντρώθηκαν στην εναρμόνιση με τις τελευταίες εκδόσεις πακέτων στα οποία στηρίζεται το MLscAN, διασφαλίζοντας έτσι την ευρωστία του. Παράλληλα, εξίσου μεγάλη έμφαση δίνεται και σε ποιοτικές πτυχές όπως η αναδιαμόρφωση του κώδικα και η βελτίωση της τεκμηρίωσης του πακέτου με περιεκτικές περιγραφές.
(EL)
Single-cell RNA sequencing (scRNA-seq) has revolutionized the study of transcriptomes by enabling unprecedented insights into cellular diversity and dynamic biological processes. However, analyzing scRNA-seq data is inherently complex due to high dimensionality and noise, requiring sophisticated computational methods to extract relevant biological insights. MLscAN (Machine Learning for single-cell Analytics) is an R package that provides a comprehensive pipeline for scRNA-seq analysis. By integrating techniques like dimensionality reduction, unsupervised clustering, trajectory inference, and gene regulatory network reconstruction, MLscAN empowers researchers to characterize cell types, trace cellular transitions, and uncover the molecular drivers underlying these dynamic processes. This thesis work focuses on enhancing MLscAN's capabilities and usability through technical and user-centric improvements. On the technical side, updates ensure MLscAN seamlessly integrates with the latest software dependencies, safeguarding robustness. Equal emphasis is placed on qualitative aspects like refactoring code and enhancing documentation with comprehensive descriptions.
(EN)
/aggregator-openarchives/portal/institutions/uoa
