Métodos estadístico-computacionales para la caracterización de patrones de expresión de proteínas en 2D-DIGE

Mostrar todas las versiones(2)

El volumen de datos provenientes de experimentos basados en genómica y poteómica es grande y de estructura compleja. Solo a través de un análisis bioinformático/bioestadístico eficiente es posible identificar y caracterizar perfiles de expresión de genes y proteínas que se expresan en forma diferenc...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Fernández, Elmer Andrés, Llera, Andrea Sabina, Balzarini, Mónica, Griotti, Romina Mónica, Ponzoni, Ignacio, Fresno, Cristóbal
Formato: info:eu-repo/semantics/other Proyecto de investigación acceptedVersion
Lenguaje:Español
Publicado: 2012
Materias:
QA Matemáticas
Acceso en línea:http://pa.bibdigital.ucc.edu.ar/308/1/PI_Fern%C3%A1ndez_Llera.pdf
Aporte de:
Producción Académica Universidad Católica de Córdoba (UCCor) de Universidad Católica de Córdoba
id I38-R144-308
record_format dspace
institution Universidad Católica de Córdoba
institution_str I-38
repository_str R-144
collection Producción Académica Universidad Católica de Córdoba (UCCor)
language Español
orig_language_str_mv spa
topic QA Matemáticas
spellingShingle QA Matemáticas
Fernández, Elmer Andrés
Llera, Andrea Sabina
Balzarini, Mónica
Griotti, Romina Mónica
Ponzoni, Ignacio
Fresno, Cristóbal
Métodos estadístico-computacionales para la caracterización de patrones de expresión de proteínas en 2D-DIGE
topic_facet QA Matemáticas
description El volumen de datos provenientes de experimentos basados en genómica y poteómica es grande y de estructura compleja. Solo a través de un análisis bioinformático/bioestadístico eficiente es posible identificar y caracterizar perfiles de expresión de genes y proteínas que se expresan en forma diferencial bajo distintas condiciones experimentales (CE). El objetivo principal es extender las capacidades computacionales y analíticos de los softwares disponibles de análisis de este tipo de datos, en especial para aquellos aplicables a datos de electroforésis bidimensional diferencial (2D-DIGE). En DIGE el método estadístico más usado es la prueba t de Student cuya aplicación presupone una única fuente de variación y el cumplimiento de ciertos supuestos distribucionales de los datos (como independencia y homogeneidad de varianzas), los cuales no siempre se cumplen en la práctica, pudiendo conllevar a errores en las estimaciones e inferencias de los efectos de interés. Los modelos Generalizados lineales mixtos (GLMM) permiten no solo incorporar los efectos que, se asume, afectan la variación de la respuesta sino que también modelan estructuras de covarianzas y de correlaciones más afines a las que se presentan en la realidad, liberando del supuesto de independencia y de normalidad. Estos modelos, más complejos en esencia, simplificarán el análisis debido a la modelización directa de los datos crudos sin la aplicación de transformaciones para lograr distribuciones más simétricas,produciendo también a una estimación estadísticamente más eficiente de los efectos presentes y por tanto a una detección más certera de los genes/proteínas involucrados en procesos biológicos de interés. La característica relevante de esta tecnología es que no se conoce a priori cuáles son las proteínas presentes. Estas son identificadas mediante otras técnicas más costosas una vez que se detectó un conjunto de manchas diferenciales sobre los geles 2DE. Por ende disminuir los falsos positivos es fundamental en la identificación de tales manchas ya que inducen a resultados erróneas y asociaciones biológica ficticias. Esto no solo se logrará mediante el desarrollo de técnicas de normalización que incorporen explícitamente las CE, sino también con el desarrollo de métodos que permitan salirse del supuesto de gaussianidad y evaluar otros supuestos distribucionales más adecuados para este tipo de datos. También, se desarrollarán técnicas de aprendizaje automática que mediante optimización de funciones de costo específicas nos permitan identificar el subconjunto de proteínas con mayor potencialidad diagnóstica. Este proyecto tiene un alto componente estadístico/bioinformática, pero creemos que es el campo de aplicación, es decir la genómica y la proteómica, los que más se beneficiarán con los resultados esperados. Para tal fin se utilizarán diversas bases de datos de distintos experimentos provistos por distintos centros de investigación nacionales e internacionales.
format info:eu-repo/semantics/other
Proyecto de investigación
acceptedVersion
author Fernández, Elmer Andrés
Llera, Andrea Sabina
Balzarini, Mónica
Griotti, Romina Mónica
Ponzoni, Ignacio
Fresno, Cristóbal
author_facet Fernández, Elmer Andrés
Llera, Andrea Sabina
Balzarini, Mónica
Griotti, Romina Mónica
Ponzoni, Ignacio
Fresno, Cristóbal
author_sort Fernández, Elmer Andrés
title Métodos estadístico-computacionales para la caracterización de patrones de expresión de proteínas en 2D-DIGE
title_short Métodos estadístico-computacionales para la caracterización de patrones de expresión de proteínas en 2D-DIGE
title_full Métodos estadístico-computacionales para la caracterización de patrones de expresión de proteínas en 2D-DIGE
title_fullStr Métodos estadístico-computacionales para la caracterización de patrones de expresión de proteínas en 2D-DIGE
title_full_unstemmed Métodos estadístico-computacionales para la caracterización de patrones de expresión de proteínas en 2D-DIGE
title_sort métodos estadístico-computacionales para la caracterización de patrones de expresión de proteínas en 2d-dige
publishDate 2012
url http://pa.bibdigital.ucc.edu.ar/308/1/PI_Fern%C3%A1ndez_Llera.pdf
work_keys_str_mv AT fernandezelmerandres metodosestadisticocomputacionalesparalacaracterizaciondepatronesdeexpresiondeproteinasen2ddige
AT lleraandreasabina metodosestadisticocomputacionalesparalacaracterizaciondepatronesdeexpresiondeproteinasen2ddige
AT balzarinimonica metodosestadisticocomputacionalesparalacaracterizaciondepatronesdeexpresiondeproteinasen2ddige
AT griottirominamonica metodosestadisticocomputacionalesparalacaracterizaciondepatronesdeexpresiondeproteinasen2ddige
AT ponzoniignacio metodosestadisticocomputacionalesparalacaracterizaciondepatronesdeexpresiondeproteinasen2ddige
AT fresnocristobal metodosestadisticocomputacionalesparalacaracterizaciondepatronesdeexpresiondeproteinasen2ddige
bdutipo_str Repositorios
_version_ 1764820535659724801

Ejemplares similares