dc.contributor.author | Δασκαλοπούλου, Χρηστίνα Κ. | |
dc.date.accessioned | 2012-01-20T10:15:01Z | |
dc.date.available | 2012-01-20T10:15:01Z | |
dc.date.issued | 2012-01-20T10:15:01Z | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/4469 | |
dc.description.abstract | Οι πρόσφατες ανακαλύψεις μικροσυστοιχιών που αποτελούνται από δεδομένα γονιδιακής έκφρασης (gene expression) δημιούργησαν μια νέα εποχή για τις βιολογικές επιστήμες. Ο κύριος λόγος είναι ότι πλέον δίνεται η δυνατότητα ταυτόχρονης παρακολούθησης εκατοντάδων χιλιάδων γονιδίων. Κατά συνέπεια, λόγω του τεράστιου όγκου δεδομένων που πλέον είναι διαθέσιμος, γίνεται απαραίτητη η χρήση στατιστικών τεχνικών που δίνουν τη δυνατότητα αναγνώρισης γονιδίων που παρουσιάζουν παρόμοια λειτουργική συμπεριφορά και κατάταξης αυτών σε ομογενείς ομάδες. Η πιο δημοφιλής στατιστική τεχνική που εφαρμόζεται σε τέτοιου είδους δεδομένα είναι η ανάλυση κατά συστάδες. Στην παρούσα διπλωματική εργασία αρχικά παρουσιάζονται ορισμοί και τεχνικές της βιολογίας ενώ στη συνέχεια επιχειρείται η παρουσίαση των δημοφιλέστερων τεχνικών ανάλυσης κατά συστάδες. Συγχρόνως παρουσιάζονται λεπτομερώς νέα μέτρα επικύρωσης που δημιουργήθηκαν με σκοπό όχι μόνο τη στατιστική αλλά και τη βιολογική ερμηνεία των συστάδων που προκύπτουν. Τέλος όλα τα θεωρητικά αποτελέσματα εφαρμόζονται και ερμηνεύονται πρακτικά στο τελευταίο κεφάλαιο όπου γίνεται μια εφαρμογή σε πραγματικά γονιδιακά δεδομένα. | |
dc.language.iso | el | |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 4.0 Διεθνές | |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/deed.el | |
dc.subject | Polymerase chain reaction -- Methods | |
dc.subject | Nucleic acids -- Analysis | |
dc.subject | DNA -- Analysis | |
dc.subject | Μοριακή βιολογία | |
dc.subject | Στατιστική -- Οικονομετρικές μέθοδοι | |
dc.title | Μέθοδοι ομαδοποίησης δεδομένων στη μοριακή βιολογία | |
dc.type | Master Thesis | |
europeana.isShownAt | https://dione.lib.unipi.gr/xmlui/handle/unipi/4469 | |
europeana.type | IMAGE | |
dc.identifier.call | 572.43 ΔΑΣ | |
dc.description.abstractEN | Microarrays of gene expression have provoked a tremendous advent in the Biological field because they allow the simultaneous studying of thousands of genes. However due to the enormous datasets that are available statistical techniques are necessary now more than ever. The most popular statistical technique that is being applied to such data is clustering. Cluster analysis gives the opportunity to the researcher to group data with similar functionality in homogenous clusters. In this thesis an introduction which includes definitions and biological techniques is firstly presented and then the most popular clustering techniques are illustrated. Moreover old validation measures and new ones, which have been created in order to explain the biological meaning of clusters, are meticulously studied. Finally all the theoretical results are being applied and explained through an example to real gene expression data. | |