In single-cell analysis, the physiologic states of individual cells are studied. In some studies, the subject of interest is the development over time of some cell characteristic. To obtain time-resolved single-cell data, one possibility is to conduct an experiment on a cell population and make a sequence of images of the population over the course of the experiment. If a mapping is at hand, which determines which cell it is that is the cause of each measured cell in the image sequence, time resolved single-cell data can be extracted. Such a mapping is called a lineage tree, and the process of creating it is called tracking. One aim of this work is to develop a tracking algorithm that incorporates organism specific knowledge, such as average division time, in the tracking process. With respect to this aim, a Bayesian model that incorporates biological knowledge is derived, with which every hypothetical lineage tree can be assigned a probability. Additionally, two Monte Carlo algorithms are developed, that approximate the probability distribution of lineage trees given by the Bayesian model. When an approximate distribution is known, for example the most likely lineage tree can be extracted and used. In many cases, the information provided to an automatic tracking algorithm is insufficient for the algorithm to find the gold standard lineage tree. In these cases, a possibility is to construct the gold standard lineage tree by manual correction of the lineage tree that has been provided by the tracking algorithm. A second aim of this work is to provide a confidence to every assignment in a lineage tree, in order to give the person doing manual corrections useful information about what assignments to change. Such a confidence is provided by the Monte Carlo tracking methods developed in this work. / I enskild-cell analys studeras de fysiologiska tillståndet hos enskilda celler. I vissa studier är man intresserad av hur någon cellegenskap utvecklas över tid. Ett sätt att generera tidsupplöst data på enskild-cellnivå är att utföra ett experiment med en cellpopulation och avbilda den med mikroskop med jämna mellanrum. Med hjälp av en avbildning som beskriver vilken cell i experiment det är som ger upphov till vilken uppmätt cell i bildsekvensen, kan sedan enskild-cell data tillgås. En sådan avbildning kallas ett stamträd (lineage tree), och processen att bestämma stamträdet kallas tracking. En målsättning med detta arbete är att utveckla en trackingalgoritm som använder organismspecifik kunskap, såsom organismens genomsnittliga delningstid, i trackingprocessen. Med denna målsättning i hänseende härleds en bayesiansk modell med vilken varje stamträd kan tillskrivas en sannolikhet, och som kan ta hänsyn till biologisk fakta när detta sker. Därtill utvecklas två Monte Carlo algoritmer som approximerar sannolikhetsfördelningen av stamträd som härrör ur den bayesianska modellen. När en uppskattad fördelning är känd kan t ex det mest sannolika stamträdet i fördelningen användas för enskild-cell analys. I många fall är informationen som en automatisk trackingalgoritm har till hands inte tillräcklig för att algoritmen ska kunna producera gold standard stamträdet. I dessa fall kan det vara befogat att konstruera gold standard stamträdet genom att göra manuella korrektioner på ett stamträd som tagits fram automatiskt med en algoritm. En andra målsättning med detta arbete är att införa ett förtroendemått för enskilda länkar i ett stamträd. Detta förtroendemått ska göra det enklare för personen som gör manuella korrektioner att avgöra ifall en länk i ett stamträd behöver korrigeras eller ej. Ett sådant förtroendemått införs, och de två Monte Carlo algoritmerna som utvecklas i detta arbete tillskriver ett förtroende för varje länk i de stamträd som de levererar.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-173801 |
| Date | January 2015 |
| Creators | Theorell, Axel |
| Publisher | KTH, Optimeringslära och systemteori |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-MAT-E ; 2015:66 |
Page generated in 0.0023 seconds