{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2930508"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2930508","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάλυση γονιδιωματικών δεδομένων σε διαφορετικούς τύπους καρκίνου. Αξιοποίηση μεθοδολογιών μεταφραστικής ανάλυσης για τη συγκριτική τους μελέτη.","abstract":"Η παρούσα διπλωματική εργασία αφορά την ανάλυση γονιδιωματικών δεδομένων σε δύο τύπους καρκίνου, καρκίνο του πνεύμονα και μελάνωμα, με στόχο την ενδεχόμενη εύρεση στατιστικά σημαντικών γονιδίων με διαφορά στα επίπεδα έκφρασής τους ανάμεσα σε υγιείς και ασθενείς,και τη μεταφορά της γονιδιακής αυτής συσχέτισης σε επίπεδο κυτταρικών λειτουργιών, για να επιτευχθεί σύγκριση και πιθανή εύρεση κοινών λειτουργιών που επηρεάζονται στους δύο τύπους καρκίνου. Ο όγκος και η πολυπλοκότητα των δεδομένων απαιτούν εξειδικευμένα εργαλεία βιοπληροφορικής ανάλυσης. Στο πρώτο στάδιο,έγινε ανάλυση των δεδομένων με χρήση σύγχρονων μεθοδολογιών επεξεργασίας πληροφορίας και πιθανοκρατικώνσυμπρερασματολογικών τεχνικών, ακολούθησε λειτουργική ανάλυση και τέλος πραγματοποιήθηκε συγκριτική μελέτη στο επίπεδο των αναδειχθέντων μηχανισμών με στόχο τον εντοπισμό ομοιοτήτων και διαφορών μεταξύ των υπό μελέτη καρκινικών τύπων. Πηγή των δεδομένων είναι η γονιδιωματική βάση δεδομένων GEOτου NCBI. Στο πρώτο δείγμα περιλαμβάνονται 107 αρχεία από ασθενείς καρκίνου πνεύμονα (αδενοκαρκίνωμα) που προέρχονται από την ιταλική νοσοκομειακή μελέτηEAGLE και αντιστοιχούν σε 506.944 probeids.Το δεύτερο δείγμα περιλαμβάνει 34 αρχεία ιστών βιοψίας από μελέτη για μελάνωμα,που αντιστοιχούν σε 1.354.896 probeids.Η πλατφόρμα µικροσυστοιχίας που χρησιμοποιήθηκε για τον προσδιορισμό της γονιδιακής έκφρασης είναι η HGU133AAffymetrixchips.Η επεξεργασία και βιοπληροφορική ανάλυση έγινε στη γλώσσαπρογραμματισμούRμε χρήση του λογισμικούBioconductor. Πριν την ανάλυση έγινε διόρθωση θορύβου υποβάθρου,κανονικοποίηση,μετασχηματισμός των αριθμητικών δεδομένων έκφρασης σε λογαριθμική κλίμακα,υπολογισμός της συνοπτικής τιμής έντασηςγια κάθεμετάγραφο, το οποίο αντιπροσωπεύει ένα γονίδιο και φιλτράρισμα με στόχο τον αποκλεισμό γονιδίων ελλιπούς πληροφορίας και τη μείωση στατιστικού θορύβου και μεταβλητότητας. Έγινε ποιοτικός έλεγχος ώστε να ελεγχθεί η επίδραση των μεθόδων που χρησιμοποιήθηκαν επιλέγοντας 4 διαφορετικούς τύπους γραφημάτων. Η στατιστική ανάλυση έγινε με το πακέτοLimma που περιλαμβάνει τη χρήσημεθόδωνFDRγια τη διόρθωση του στατιστικού αποτελέσματος έναντι του προβλήματος των πολλαπλών ελέγχων.Ακολούθησεαντιστοίχιση των διαφορικά εκφρασμένων μεταγράφων σε γονιδιακά προϊόντα, και τέλος ηλειτουργικήανάλυσημε χρήσητουδιαδικτυακούβιοπληροφορικούεργαλείουBioinfominer.Στη περίπτωση καρκίνου του πνεύμονα βρέθηκαν 1.576 γονίδια με στατιστικά σημαντική διαφορά στην έκφραση ανάμεσα σε καρκινικό και υγιή ιστό, 896 υποεκφρασμένα και 680 υπερεκφρασμένα (στους καρκινικούς ιστούς σε σχέση με τους υγιείς), ενώ αντίστοιχα στο δείγμα για το μελάνωμα βρέθηκαν 1.307 γονίδια,577 υποεκφρασμένα και 730 υπερεκφρασμένα. Ανάμεσα στις δύο λίστες, προέκυψαν 245 κοινά γονίδια που τα επίπεδα έκφρασής τους διαφέρουν ως προς τους υγιείς ιστούς. Από την λειτουργική ανάλυση τέλος, στην περίπτωση του καρκίνου του πνεύμονα αναδεικνύονται κυτταρικές λειτουργίες σχετιζόμενες με την αγγειογένεση και στο μελάνωμα λειτουργίες που σχετίζονται με ανοσολογική απόκριση. Σύγκριση των αποτελεσμάτων στο επίπεδο των βιολογικών διεργασιών, έδειξε ότι και στις δύο περιπτώσεις επηρεάζονται σημαντικά διεργασίες που σχετίζονται με την προσκόλληση των κυττάρων στον εξωκυττάριο χώρο και την κυτταρική επικοινωνία.","abstract_html":"Η παρούσα διπλωματική εργασία αφορά την ανάλυση γονιδιωματικών δεδομένων σε δύο τύπους καρκίνου, καρκίνο του πνεύμονα και μελάνωμα, με στόχο την ενδεχόμενη εύρεση στατιστικά σημαντικών γονιδίων με διαφορά στα επίπεδα έκφρασής τους ανάμεσα σε υγιείς και ασθενείς,και τη μεταφορά της γονιδιακής αυτής συσχέτισης σε επίπεδο κυτταρικών λειτουργιών, για να επιτευχθεί σύγκριση και πιθανή εύρεση κοινών λειτουργιών που επηρεάζονται στους δύο τύπους καρκίνου. Ο όγκος και η πολυπλοκότητα των δεδομένων απαιτούν εξειδικευμένα εργαλεία βιοπληροφορικής ανάλυσης. Στο πρώτο στάδιο,έγινε ανάλυση των δεδομένων με χρήση σύγχρονων μεθοδολογιών επεξεργασίας πληροφορίας και πιθανοκρατικώνσυμπρερασματολογικών τεχνικών, ακολούθησε λειτουργική ανάλυση και τέλος πραγματοποιήθηκε συγκριτική μελέτη στο επίπεδο των αναδειχθέντων μηχανισμών με στόχο τον εντοπισμό ομοιοτήτων και διαφορών μεταξύ των υπό μελέτη καρκινικών τύπων. Πηγή των δεδομένων είναι η γονιδιωματική βάση δεδομένων GEOτου NCBI. Στο πρώτο δείγμα περιλαμβάνονται 107 αρχεία από ασθενείς καρκίνου πνεύμονα (αδενοκαρκίνωμα) που προέρχονται από την ιταλική νοσοκομειακή μελέτηEAGLE και αντιστοιχούν σε 506.944 probeids.Το δεύτερο δείγμα περιλαμβάνει 34 αρχεία ιστών βιοψίας από μελέτη για μελάνωμα,που αντιστοιχούν σε 1.354.896 probeids.Η πλατφόρμα µικροσυστοιχίας που χρησιμοποιήθηκε για τον προσδιορισμό της γονιδιακής έκφρασης είναι η HGU133AAffymetrixchips.Η επεξεργασία και βιοπληροφορική ανάλυση έγινε στη γλώσσαπρογραμματισμούRμε χρήση του λογισμικούBioconductor. Πριν την ανάλυση έγινε διόρθωση θορύβου υποβάθρου,κανονικοποίηση,μετασχηματισμός των αριθμητικών δεδομένων έκφρασης σε λογαριθμική κλίμακα,υπολογισμός της συνοπτικής τιμής έντασηςγια κάθεμετάγραφο, το οποίο αντιπροσωπεύει ένα γονίδιο και φιλτράρισμα με στόχο τον αποκλεισμό γονιδίων ελλιπούς πληροφορίας και τη μείωση στατιστικού θορύβου και μεταβλητότητας. Έγινε ποιοτικός έλεγχος ώστε να ελεγχθεί η επίδραση των μεθόδων που χρησιμοποιήθηκαν επιλέγοντας 4 διαφορετικούς τύπους γραφημάτων. Η στατιστική ανάλυση έγινε με το πακέτοLimma που περιλαμβάνει τη χρήσημεθόδωνFDRγια τη διόρθωση του στατιστικού αποτελέσματος έναντι του προβλήματος των πολλαπλών ελέγχων.Ακολούθησεαντιστοίχιση των διαφορικά εκφρασμένων μεταγράφων σε γονιδιακά προϊόντα, και τέλος ηλειτουργικήανάλυσημε χρήσητουδιαδικτυακούβιοπληροφορικούεργαλείουBioinfominer.Στη περίπτωση καρκίνου του πνεύμονα βρέθηκαν 1.576 γονίδια με στατιστικά σημαντική διαφορά στην έκφραση ανάμεσα σε καρκινικό και υγιή ιστό, 896 υποεκφρασμένα και 680 υπερεκφρασμένα (στους καρκινικούς ιστούς σε σχέση με τους υγιείς), ενώ αντίστοιχα στο δείγμα για το μελάνωμα βρέθηκαν 1.307 γονίδια,577 υποεκφρασμένα και 730 υπερεκφρασμένα. Ανάμεσα στις δύο λίστες, προέκυψαν 245 κοινά γονίδια που τα επίπεδα έκφρασής τους διαφέρουν ως προς τους υγιείς ιστούς. Από την λειτουργική ανάλυση τέλος, στην περίπτωση του καρκίνου του πνεύμονα αναδεικνύονται κυτταρικές λειτουργίες σχετιζόμενες με την αγγειογένεση και στο μελάνωμα λειτουργίες που σχετίζονται με ανοσολογική απόκριση. Σύγκριση των αποτελεσμάτων στο επίπεδο των βιολογικών διεργασιών, έδειξε ότι και στις δύο περιπτώσεις επηρεάζονται σημαντικά διεργασίες που σχετίζονται με την προσκόλληση των κυττάρων στον εξωκυττάριο χώρο και την κυτταρική επικοινωνία.","abstract_has_math":false,"creators":["Καλιακάτσος Δημήτριος","Kaliakatsos Dimitrios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020","date_published":"2020","updated_at":"2026-11-19T05:41:32Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2930508"],"render_values":[{"text":"uoadl:2930508","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2930508","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2930508","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2930508","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καλιακάτσος Δημήτριος","Kaliakatsos Dimitrios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2020"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2930508","https://pergamos.lib.uoa.gr/uoa/dl/object/2930508"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία αφορά την ανάλυση γονιδιωματικών δεδομένων σε δύο τύπους καρκίνου, καρκίνο του πνεύμονα και μελάνωμα, με στόχο την ενδεχόμενη εύρεση στατιστικά σημαντικών γονιδίων με διαφορά στα επίπεδα έκφρασής τους ανάμεσα σε υγιείς και ασθενείς,και τη μεταφορά της γονιδιακής αυτής συσχέτισης σε επίπεδο κυτταρικών λειτουργιών, για να επιτευχθεί σύγκριση και πιθανή εύρεση κοινών λειτουργιών που επηρεάζονται στους δύο τύπους καρκίνου. Ο όγκος και η πολυπλοκότητα των δεδομένων απαιτούν εξειδικευμένα εργαλεία βιοπληροφορικής ανάλυσης. Στο πρώτο στάδιο,έγινε ανάλυση των δεδομένων με χρήση σύγχρονων μεθοδολογιών επεξεργασίας πληροφορίας και πιθανοκρατικώνσυμπρερασματολογικών τεχνικών, ακολούθησε λειτουργική ανάλυση και τέλος πραγματοποιήθηκε συγκριτική μελέτη στο επίπεδο των αναδειχθέντων μηχανισμών με στόχο τον εντοπισμό ομοιοτήτων και διαφορών μεταξύ των υπό μελέτη καρκινικών τύπων. Πηγή των δεδομένων είναι η γονιδιωματική βάση δεδομένων GEOτου NCBI. Στο πρώτο δείγμα περιλαμβάνονται 107 αρχεία από ασθενείς καρκίνου πνεύμονα (αδενοκαρκίνωμα) που προέρχονται από την ιταλική νοσοκομειακή μελέτηEAGLE και αντιστοιχούν σε 506.944 probeids.Το δεύτερο δείγμα περιλαμβάνει 34 αρχεία ιστών βιοψίας από μελέτη για μελάνωμα,που αντιστοιχούν σε 1.354.896 probeids.Η πλατφόρμα µικροσυστοιχίας που χρησιμοποιήθηκε για τον προσδιορισμό της γονιδιακής έκφρασης είναι η HGU133AAffymetrixchips.Η επεξεργασία και βιοπληροφορική ανάλυση έγινε στη γλώσσαπρογραμματισμούRμε χρήση του λογισμικούBioconductor. Πριν την ανάλυση έγινε διόρθωση θορύβου υποβάθρου,κανονικοποίηση,μετασχηματισμός των αριθμητικών δεδομένων έκφρασης σε λογαριθμική κλίμακα,υπολογισμός της συνοπτικής τιμής έντασηςγια κάθεμετάγραφο, το οποίο αντιπροσωπεύει ένα γονίδιο και φιλτράρισμα με στόχο τον αποκλεισμό γονιδίων ελλιπούς πληροφορίας και τη μείωση στατιστικού θορύβου και μεταβλητότητας. Έγινε ποιοτικός έλεγχος ώστε να ελεγχθεί η επίδραση των μεθόδων που χρησιμοποιήθηκαν επιλέγοντας 4 διαφορετικούς τύπους γραφημάτων. Η στατιστική ανάλυση έγινε με το πακέτοLimma που περιλαμβάνει τη χρήσημεθόδωνFDRγια τη διόρθωση του στατιστικού αποτελέσματος έναντι του προβλήματος των πολλαπλών ελέγχων.Ακολούθησεαντιστοίχιση των διαφορικά εκφρασμένων μεταγράφων σε γονιδιακά προϊόντα, και τέλος ηλειτουργικήανάλυσημε χρήσητουδιαδικτυακούβιοπληροφορικούεργαλείουBioinfominer.Στη περίπτωση καρκίνου του πνεύμονα βρέθηκαν 1.576 γονίδια με στατιστικά σημαντική διαφορά στην έκφραση ανάμεσα σε καρκινικό και υγιή ιστό, 896 υποεκφρασμένα και 680 υπερεκφρασμένα (στους καρκινικούς ιστούς σε σχέση με τους υγιείς), ενώ αντίστοιχα στο δείγμα για το μελάνωμα βρέθηκαν 1.307 γονίδια,577 υποεκφρασμένα και 730 υπερεκφρασμένα. Ανάμεσα στις δύο λίστες, προέκυψαν 245 κοινά γονίδια που τα επίπεδα έκφρασής τους διαφέρουν ως προς τους υγιείς ιστούς. Από την λειτουργική ανάλυση τέλος, στην περίπτωση του καρκίνου του πνεύμονα αναδεικνύονται κυτταρικές λειτουργίες σχετιζόμενες με την αγγειογένεση και στο μελάνωμα λειτουργίες που σχετίζονται με ανοσολογική απόκριση. Σύγκριση των αποτελεσμάτων στο επίπεδο των βιολογικών διεργασιών, έδειξε ότι και στις δύο περιπτώσεις επηρεάζονται σημαντικά διεργασίες που σχετίζονται με την προσκόλληση των κυττάρων στον εξωκυττάριο χώρο και την κυτταρική επικοινωνία.","The present thesis concerns the analysis of genomic data in two types of cancer, lung cancer and melanoma, aiming to find statistically significant genes with differences in their levels of expression between healthy and patients, and transferring this genetic association at the cellular level functions, to compare and possibly find common functions affected in the two types of cancer. The volume and complexity of the data require specialized bioinformatics analysis tools. At first stage, the data were analyzed using modern information processing methodologies and probabilistic inferential techniques, followed by a functional analysis and finally a comparative study was performed at the level of the emerged mechanisms to identify similarities and differences between the cancer types under study. The source of the data is the NCBI GEO Genomic Database. The first sample includes 107 records of lung cancer patients (adenocarcinoma) from the Italian hospital study EAGLE and corresponds to 506,944 probe ids. The second sample includes 34 biopsy tissue records from a melanoma study, corresponding to 1,354,896 probe ids. The microarray platform used to determine gene expression is the HG-U133A Affymetrix chips. The processing and bioinformatics analysis were performed in the R programming language using Bioconductor software. Prior to analysis, background noise correction, normalization, transformation of numerical data expression to logarithmic scale, calculation of the summary value of intensity for each transcript which represents a gene and filtering, to exclude genes of deficient information and reduce statistical noise and variabilitywere conducted. Quality control was performed to examine the effect of the used methods by selecting 4 different types of graphs. The statistical analysis was performed with the Limma package which includes the use of FDR methods to correct the statistical result against the problem of multiple comparisons.This was followed by the matching of differentially expressed transcripts into gene products, and finally the functional analysis was conducted using the online bioinformatics tool Bioinfominer. In the lung cancer dataset, 1,576 genes were found with a statistically significant difference in expression between cancer and healthy tissues, 896 underexpressed and 680 overexpressed, while respectively in the melanoma sample were found 1,307 genes, 577 underexpressed and 730 overexpressed. Between thelistsof the differential expressed genes, 245 genes were found to be common between healthy and cancer tissues. The functional analysis revealed cellular functions related to angiogenesis in the case of lung cancer, and functions related to the immune response in melanoma. Comparison of the results at the level of biological processes showed that processes related to cell adhesion in the extracellular space and others related to cell communication are significantly affected in both cases."]},{"key":"dc:title","label":"Title","values":["Ανάλυση γονιδιωματικών δεδομένων σε διαφορετικούς τύπους καρκίνου. Αξιοποίηση μεθοδολογιών μεταφραστικής ανάλυσης για τη συγκριτική τους μελέτη."]}]}],"canonical_facts":{"dc:creator":["Καλιακάτσος Δημήτριος","Kaliakatsos Dimitrios"],"dc:date":["2020"],"dc:description":["Η παρούσα διπλωματική εργασία αφορά την ανάλυση γονιδιωματικών δεδομένων σε δύο τύπους καρκίνου, καρκίνο του πνεύμονα και μελάνωμα, με στόχο την ενδεχόμενη εύρεση στατιστικά σημαντικών γονιδίων με διαφορά στα επίπεδα έκφρασής τους ανάμεσα σε υγιείς και ασθενείς,και τη μεταφορά της γονιδιακής αυτής συσχέτισης σε επίπεδο κυτταρικών λειτουργιών, για να επιτευχθεί σύγκριση και πιθανή εύρεση κοινών λειτουργιών που επηρεάζονται στους δύο τύπους καρκίνου. Ο όγκος και η πολυπλοκότητα των δεδομένων απαιτούν εξειδικευμένα εργαλεία βιοπληροφορικής ανάλυσης. Στο πρώτο στάδιο,έγινε ανάλυση των δεδομένων με χρήση σύγχρονων μεθοδολογιών επεξεργασίας πληροφορίας και πιθανοκρατικώνσυμπρερασματολογικών τεχνικών, ακολούθησε λειτουργική ανάλυση και τέλος πραγματοποιήθηκε συγκριτική μελέτη στο επίπεδο των αναδειχθέντων μηχανισμών με στόχο τον εντοπισμό ομοιοτήτων και διαφορών μεταξύ των υπό μελέτη καρκινικών τύπων. Πηγή των δεδομένων είναι η γονιδιωματική βάση δεδομένων GEOτου NCBI. Στο πρώτο δείγμα περιλαμβάνονται 107 αρχεία από ασθενείς καρκίνου πνεύμονα (αδενοκαρκίνωμα) που προέρχονται από την ιταλική νοσοκομειακή μελέτηEAGLE και αντιστοιχούν σε 506.944 probeids.Το δεύτερο δείγμα περιλαμβάνει 34 αρχεία ιστών βιοψίας από μελέτη για μελάνωμα,που αντιστοιχούν σε 1.354.896 probeids.Η πλατφόρμα µικροσυστοιχίας που χρησιμοποιήθηκε για τον προσδιορισμό της γονιδιακής έκφρασης είναι η HGU133AAffymetrixchips.Η επεξεργασία και βιοπληροφορική ανάλυση έγινε στη γλώσσαπρογραμματισμούRμε χρήση του λογισμικούBioconductor. Πριν την ανάλυση έγινε διόρθωση θορύβου υποβάθρου,κανονικοποίηση,μετασχηματισμός των αριθμητικών δεδομένων έκφρασης σε λογαριθμική κλίμακα,υπολογισμός της συνοπτικής τιμής έντασηςγια κάθεμετάγραφο, το οποίο αντιπροσωπεύει ένα γονίδιο και φιλτράρισμα με στόχο τον αποκλεισμό γονιδίων ελλιπούς πληροφορίας και τη μείωση στατιστικού θορύβου και μεταβλητότητας. Έγινε ποιοτικός έλεγχος ώστε να ελεγχθεί η επίδραση των μεθόδων που χρησιμοποιήθηκαν επιλέγοντας 4 διαφορετικούς τύπους γραφημάτων. Η στατιστική ανάλυση έγινε με το πακέτοLimma που περιλαμβάνει τη χρήσημεθόδωνFDRγια τη διόρθωση του στατιστικού αποτελέσματος έναντι του προβλήματος των πολλαπλών ελέγχων.Ακολούθησεαντιστοίχιση των διαφορικά εκφρασμένων μεταγράφων σε γονιδιακά προϊόντα, και τέλος ηλειτουργικήανάλυσημε χρήσητουδιαδικτυακούβιοπληροφορικούεργαλείουBioinfominer.Στη περίπτωση καρκίνου του πνεύμονα βρέθηκαν 1.576 γονίδια με στατιστικά σημαντική διαφορά στην έκφραση ανάμεσα σε καρκινικό και υγιή ιστό, 896 υποεκφρασμένα και 680 υπερεκφρασμένα (στους καρκινικούς ιστούς σε σχέση με τους υγιείς), ενώ αντίστοιχα στο δείγμα για το μελάνωμα βρέθηκαν 1.307 γονίδια,577 υποεκφρασμένα και 730 υπερεκφρασμένα. Ανάμεσα στις δύο λίστες, προέκυψαν 245 κοινά γονίδια που τα επίπεδα έκφρασής τους διαφέρουν ως προς τους υγιείς ιστούς. Από την λειτουργική ανάλυση τέλος, στην περίπτωση του καρκίνου του πνεύμονα αναδεικνύονται κυτταρικές λειτουργίες σχετιζόμενες με την αγγειογένεση και στο μελάνωμα λειτουργίες που σχετίζονται με ανοσολογική απόκριση. Σύγκριση των αποτελεσμάτων στο επίπεδο των βιολογικών διεργασιών, έδειξε ότι και στις δύο περιπτώσεις επηρεάζονται σημαντικά διεργασίες που σχετίζονται με την προσκόλληση των κυττάρων στον εξωκυττάριο χώρο και την κυτταρική επικοινωνία.","The present thesis concerns the analysis of genomic data in two types of cancer, lung cancer and melanoma, aiming to find statistically significant genes with differences in their levels of expression between healthy and patients, and transferring this genetic association at the cellular level functions, to compare and possibly find common functions affected in the two types of cancer. The volume and complexity of the data require specialized bioinformatics analysis tools. At first stage, the data were analyzed using modern information processing methodologies and probabilistic inferential techniques, followed by a functional analysis and finally a comparative study was performed at the level of the emerged mechanisms to identify similarities and differences between the cancer types under study. The source of the data is the NCBI GEO Genomic Database. The first sample includes 107 records of lung cancer patients (adenocarcinoma) from the Italian hospital study EAGLE and corresponds to 506,944 probe ids. The second sample includes 34 biopsy tissue records from a melanoma study, corresponding to 1,354,896 probe ids. The microarray platform used to determine gene expression is the HG-U133A Affymetrix chips. The processing and bioinformatics analysis were performed in the R programming language using Bioconductor software. Prior to analysis, background noise correction, normalization, transformation of numerical data expression to logarithmic scale, calculation of the summary value of intensity for each transcript which represents a gene and filtering, to exclude genes of deficient information and reduce statistical noise and variabilitywere conducted. Quality control was performed to examine the effect of the used methods by selecting 4 different types of graphs. The statistical analysis was performed with the Limma package which includes the use of FDR methods to correct the statistical result against the problem of multiple comparisons.This was followed by the matching of differentially expressed transcripts into gene products, and finally the functional analysis was conducted using the online bioinformatics tool Bioinfominer. In the lung cancer dataset, 1,576 genes were found with a statistically significant difference in expression between cancer and healthy tissues, 896 underexpressed and 680 overexpressed, while respectively in the melanoma sample were found 1,307 genes, 577 underexpressed and 730 overexpressed. Between thelistsof the differential expressed genes, 245 genes were found to be common between healthy and cancer tissues. The functional analysis revealed cellular functions related to angiogenesis in the case of lung cancer, and functions related to the immune response in melanoma. Comparison of the results at the level of biological processes showed that processes related to cell adhesion in the extracellular space and others related to cell communication are significantly affected in both cases."],"dc:identifier":["uoadl:2930508","https://pergamos.lib.uoa.gr/uoa/dl/object/2930508"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Ανάλυση γονιδιωματικών δεδομένων σε διαφορετικούς τύπους καρκίνου. Αξιοποίηση μεθοδολογιών μεταφραστικής ανάλυσης για τη συγκριτική τους μελέτη."],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:41:32Z"}