{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3418926"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3418926","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Υπολογιστική μελέτη μεγάλων γενεωμικών αναδιατάξεων (Large Genomic Rearrangements, LGRs) από δεδομένα αλληλούχησης επόμενης γενιάς Next Generation Sequencing, NGS)","abstract":"Εισαγωγή: Οι Παραλλαγές Αριθμού Αντιγράφων (Copy Number Variations, CNVs) περιγράφουν γενωμικές δομικές μεταλλαγές, όπως διαγραφές και διπλασιασμούς, μεγέθους άνω των 50 bp. Τα CNVs έχουν επιβεβαιωθεί ότι συμβάλλουν στις φαινοτυπικές παραλλαγές και τη γενετική βάση πολλών ασθενειών, όπως ο καρκίνος και οι καρδιακές ασθένειες. Οι κύριες τεχνικές εντοπισμού των CNVs στην κλινική διάγνωση είναι η MLPA και η aCHG, ωστόσο και οι δύο είναι σχετικά περιορισμένες σε ευρεία κλίμακα. Για τον ευρύτερο εντοπισμό CNVs στη σύγχρονη έρευνα, έχει αναπτυχθεί πληθώρα βιοπληροφορικών εργαλείων εντοπισμού των CNVs σε δεδομένα αλληλούχησης. Ωστόσο, τα ποσοστά ακρίβειας τους παρουσιάζουν ασυνέπεια από έρευνα σε έρευνα. Για το σκοπό αυτό γίνει μελέτη και σύγκριση σε δύο από τα γνωστότερα εργαλεία εντοπισμού CNVs: Το ExomeDepth, και το panelcn.mops. Μεθοδολογία: Τα δύο εργαλεία αυτά δέχονται δεδομένα Whole Exome Sequencing (WES), αλλά παρουσιάζουν διαφορές στον τρόπο λειτουργίας τους (ανάγκη ή όχι δείγματος αναφοράς, χρήση διαφορετικών στατιστικών μεθόδων κλπ). Ως δείγμα ανάλυσης χρησιμοποιήθηκε ένα κοινό σύνολο 10 δειγμάτων bam και στα δύο εργαλεία, για τα οποία γνωρίζουμε εκ των προτέρων τις θέσεις CNVs (510 συνολικά). Το σύνολο προέρχεται από το phase 3 του προγράμματος 1000 Genomes και αφορά υγιή άτομα. Στόχος της μελέτης είναι η εξαγωγή συμπερασμάτων για την συγκριτική αποτελεσματικότητα των εργαλείων σε ότι έχει να κάνει με την ευαισθησία και την ακρίβεια, και αναμένεται να εξαχθούν σημαντικά συμπεράσματα για την αποτελεσματικότερη πρόγνωση των CNVs απο WES δεδομένα. Παράλληλα διερευνάται η πιθανότητα να δημιουργηθεί ένα συναινετικό μοντέλο πρόγνωσης, συνδυαζοντας τα αποτελέσματα και των δύο εργαλείων. Αποτελέσματα: Το panelcn.mops απέδωσε περισσότερες Αληθώς Θετικές (ΑΘ) κλήσεις τόσο σε επίπεδο διπλασιασμών όσο και σε επίπεδο διαγραφων, με 29 έναντι 2 και 146 έναντι 62 αντίστοιχα. Παρόλα αυτά, καθώς απέδωσε πολύ μεγαλύτερο αριθμό συνολικών κλήσεων, άρα και Ψευδώς Θετικών (ΨΘ), η ακρίβεια του είναι αισθητά μικρότερη. Το ExomeDepth απέδωσε ακρίβεια 0.18% για διαγραφές και 7.16% για διπλασιασμούς, και το panelcn.mops 0.011% και 0.178% αντίστοιχα. Ο συνδυασμός των αποτελεσμάτων τους, φιλτράροντας αρχικά μέσω κάποιων εσωτερικών τους συντελεστών ποιότητας για να μειωθεί η ποσότητα ΨΘ κλήσεων, απέδωσε ακρίβεια λίγο ανώτερη από τα ποσοστά του panelcn.mops (0.0134% και 0.205% αντίστοιχα). Συμπεράσματα και Συζήτηση: Η εμφάνιση μειωμένων ποσοστών ακρίβειας εντοπίζεται κατά κύριο λόγο στην παρουσία μεγάλου αριθμού ΨΘ κλήσεων, οι οποίες είναι απαραίτητο να φιλτραριστούν κατά την ανάλυση. Μελλοντικά, μπορούν να εισαχθούν στα αντίστοιχα pipeline εργαλεία φιλτραρίσματος όπως το CNVfilteR, που απορρίπτουν κλήσεις μέσω της παρουσίας SNVs εντός τους. Το ExomeDepth παρουσιάζεται ως το εργαλείο με τη μεγαλύτερη ακρίβεια με διαφορά, ωστόσο πιθανές τροποποιήσεις των εργαλείων και των δειγμάτων μπορούν να βελτιώσουν την ποιότητα ακόμα περισσότερο. Η χρήση δειγμάτων υγιών ατόμων μειώνει την ακρίβεια και περιορίζει τη χρήση των εσωτερικών φίλτρων του ExomeDepth, καθώς και τα δύο εργαλεία εντοπίζουν καλύτερα σπάνιες (άρα και πιθανώς παθολογικές) παραλλαγές. Τελικώς, ο πιθανός συνδυασμός των εργαλείων σε παθολογικά δείγματα (είτε WES είτε σε στοχευμένα πάνελ γονιδίων), μαζί με το συνδυασμό όλων των πιθανών φίλτρων που μπορούν να απορίψουν κλήσεις να μπορέσει να αποδώσει μεγαλύτερα ποσοστά ακρίβειας σε όλους τους τύπους CNVs.","abstract_html":"Εισαγωγή: Οι Παραλλαγές Αριθμού Αντιγράφων (Copy Number Variations, CNVs) περιγράφουν γενωμικές δομικές μεταλλαγές, όπως διαγραφές και διπλασιασμούς, μεγέθους άνω των 50 bp. Τα CNVs έχουν επιβεβαιωθεί ότι συμβάλλουν στις φαινοτυπικές παραλλαγές και τη γενετική βάση πολλών ασθενειών, όπως ο καρκίνος και οι καρδιακές ασθένειες. Οι κύριες τεχνικές εντοπισμού των CNVs στην κλινική διάγνωση είναι η MLPA και η aCHG, ωστόσο και οι δύο είναι σχετικά περιορισμένες σε ευρεία κλίμακα. Για τον ευρύτερο εντοπισμό CNVs στη σύγχρονη έρευνα, έχει αναπτυχθεί πληθώρα βιοπληροφορικών εργαλείων εντοπισμού των CNVs σε δεδομένα αλληλούχησης. Ωστόσο, τα ποσοστά ακρίβειας τους παρουσιάζουν ασυνέπεια από έρευνα σε έρευνα. Για το σκοπό αυτό γίνει μελέτη και σύγκριση σε δύο από τα γνωστότερα εργαλεία εντοπισμού CNVs: Το ExomeDepth, και το panelcn.mops. Μεθοδολογία: Τα δύο εργαλεία αυτά δέχονται δεδομένα Whole Exome Sequencing (WES), αλλά παρουσιάζουν διαφορές στον τρόπο λειτουργίας τους (ανάγκη ή όχι δείγματος αναφοράς, χρήση διαφορετικών στατιστικών μεθόδων κλπ). Ως δείγμα ανάλυσης χρησιμοποιήθηκε ένα κοινό σύνολο 10 δειγμάτων bam και στα δύο εργαλεία, για τα οποία γνωρίζουμε εκ των προτέρων τις θέσεις CNVs (510 συνολικά). Το σύνολο προέρχεται από το phase 3 του προγράμματος 1000 Genomes και αφορά υγιή άτομα. Στόχος της μελέτης είναι η εξαγωγή συμπερασμάτων για την συγκριτική αποτελεσματικότητα των εργαλείων σε ότι έχει να κάνει με την ευαισθησία και την ακρίβεια, και αναμένεται να εξαχθούν σημαντικά συμπεράσματα για την αποτελεσματικότερη πρόγνωση των CNVs απο WES δεδομένα. Παράλληλα διερευνάται η πιθανότητα να δημιουργηθεί ένα συναινετικό μοντέλο πρόγνωσης, συνδυαζοντας τα αποτελέσματα και των δύο εργαλείων. Αποτελέσματα: Το panelcn.mops απέδωσε περισσότερες Αληθώς Θετικές (ΑΘ) κλήσεις τόσο σε επίπεδο διπλασιασμών όσο και σε επίπεδο διαγραφων, με 29 έναντι 2 και 146 έναντι 62 αντίστοιχα. Παρόλα αυτά, καθώς απέδωσε πολύ μεγαλύτερο αριθμό συνολικών κλήσεων, άρα και Ψευδώς Θετικών (ΨΘ), η ακρίβεια του είναι αισθητά μικρότερη. Το ExomeDepth απέδωσε ακρίβεια 0.18% για διαγραφές και 7.16% για διπλασιασμούς, και το panelcn.mops 0.011% και 0.178% αντίστοιχα. Ο συνδυασμός των αποτελεσμάτων τους, φιλτράροντας αρχικά μέσω κάποιων εσωτερικών τους συντελεστών ποιότητας για να μειωθεί η ποσότητα ΨΘ κλήσεων, απέδωσε ακρίβεια λίγο ανώτερη από τα ποσοστά του panelcn.mops (0.0134% και 0.205% αντίστοιχα). Συμπεράσματα και Συζήτηση: Η εμφάνιση μειωμένων ποσοστών ακρίβειας εντοπίζεται κατά κύριο λόγο στην παρουσία μεγάλου αριθμού ΨΘ κλήσεων, οι οποίες είναι απαραίτητο να φιλτραριστούν κατά την ανάλυση. Μελλοντικά, μπορούν να εισαχθούν στα αντίστοιχα pipeline εργαλεία φιλτραρίσματος όπως το CNVfilteR, που απορρίπτουν κλήσεις μέσω της παρουσίας SNVs εντός τους. Το ExomeDepth παρουσιάζεται ως το εργαλείο με τη μεγαλύτερη ακρίβεια με διαφορά, ωστόσο πιθανές τροποποιήσεις των εργαλείων και των δειγμάτων μπορούν να βελτιώσουν την ποιότητα ακόμα περισσότερο. Η χρήση δειγμάτων υγιών ατόμων μειώνει την ακρίβεια και περιορίζει τη χρήση των εσωτερικών φίλτρων του ExomeDepth, καθώς και τα δύο εργαλεία εντοπίζουν καλύτερα σπάνιες (άρα και πιθανώς παθολογικές) παραλλαγές. Τελικώς, ο πιθανός συνδυασμός των εργαλείων σε παθολογικά δείγματα (είτε WES είτε σε στοχευμένα πάνελ γονιδίων), μαζί με το συνδυασμό όλων των πιθανών φίλτρων που μπορούν να απορίψουν κλήσεις να μπορέσει να αποδώσει μεγαλύτερα ποσοστά ακρίβειας σε όλους τους τύπους CNVs.","abstract_has_math":false,"creators":["Βανδώρου Φαίδρα-Παρασκευή","Vandorou Faidra-Paraskevi"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:30:25Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3418926"],"render_values":[{"text":"uoadl:3418926","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3418926","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3418926","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%3A3418926","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Βανδώρου Φαίδρα-Παρασκευή","Vandorou Faidra-Paraskevi"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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":["Θετικές Επιστήμες","Science"]}]},{"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:3418926","https://pergamos.lib.uoa.gr/uoa/dl/object/3418926"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Εισαγωγή: Οι Παραλλαγές Αριθμού Αντιγράφων (Copy Number Variations, CNVs) περιγράφουν γενωμικές δομικές μεταλλαγές, όπως διαγραφές και διπλασιασμούς, μεγέθους άνω των 50 bp. Τα CNVs έχουν επιβεβαιωθεί ότι συμβάλλουν στις φαινοτυπικές παραλλαγές και τη γενετική βάση πολλών ασθενειών, όπως ο καρκίνος και οι καρδιακές ασθένειες. Οι κύριες τεχνικές εντοπισμού των CNVs στην κλινική διάγνωση είναι η MLPA και η aCHG, ωστόσο και οι δύο είναι σχετικά περιορισμένες σε ευρεία κλίμακα. Για τον ευρύτερο εντοπισμό CNVs στη σύγχρονη έρευνα, έχει αναπτυχθεί πληθώρα βιοπληροφορικών εργαλείων εντοπισμού των CNVs σε δεδομένα αλληλούχησης. Ωστόσο, τα ποσοστά ακρίβειας τους παρουσιάζουν ασυνέπεια από έρευνα σε έρευνα. Για το σκοπό αυτό γίνει μελέτη και σύγκριση σε δύο από τα γνωστότερα εργαλεία εντοπισμού CNVs: Το ExomeDepth, και το panelcn.mops. Μεθοδολογία: Τα δύο εργαλεία αυτά δέχονται δεδομένα Whole Exome Sequencing (WES), αλλά παρουσιάζουν διαφορές στον τρόπο λειτουργίας τους (ανάγκη ή όχι δείγματος αναφοράς, χρήση διαφορετικών στατιστικών μεθόδων κλπ). Ως δείγμα ανάλυσης χρησιμοποιήθηκε ένα κοινό σύνολο 10 δειγμάτων bam και στα δύο εργαλεία, για τα οποία γνωρίζουμε εκ των προτέρων τις θέσεις CNVs (510 συνολικά). Το σύνολο προέρχεται από το phase 3 του προγράμματος 1000 Genomes και αφορά υγιή άτομα. Στόχος της μελέτης είναι η εξαγωγή συμπερασμάτων για την συγκριτική αποτελεσματικότητα των εργαλείων σε ότι έχει να κάνει με την ευαισθησία και την ακρίβεια, και αναμένεται να εξαχθούν σημαντικά συμπεράσματα για την αποτελεσματικότερη πρόγνωση των CNVs απο WES δεδομένα. Παράλληλα διερευνάται η πιθανότητα να δημιουργηθεί ένα συναινετικό μοντέλο πρόγνωσης, συνδυαζοντας τα αποτελέσματα και των δύο εργαλείων. Αποτελέσματα: Το panelcn.mops απέδωσε περισσότερες Αληθώς Θετικές (ΑΘ) κλήσεις τόσο σε επίπεδο διπλασιασμών όσο και σε επίπεδο διαγραφων, με 29 έναντι 2 και 146 έναντι 62 αντίστοιχα. Παρόλα αυτά, καθώς απέδωσε πολύ μεγαλύτερο αριθμό συνολικών κλήσεων, άρα και Ψευδώς Θετικών (ΨΘ), η ακρίβεια του είναι αισθητά μικρότερη. Το ExomeDepth απέδωσε ακρίβεια 0.18% για διαγραφές και 7.16% για διπλασιασμούς, και το panelcn.mops 0.011% και 0.178% αντίστοιχα. Ο συνδυασμός των αποτελεσμάτων τους, φιλτράροντας αρχικά μέσω κάποιων εσωτερικών τους συντελεστών ποιότητας για να μειωθεί η ποσότητα ΨΘ κλήσεων, απέδωσε ακρίβεια λίγο ανώτερη από τα ποσοστά του panelcn.mops (0.0134% και 0.205% αντίστοιχα). Συμπεράσματα και Συζήτηση: Η εμφάνιση μειωμένων ποσοστών ακρίβειας εντοπίζεται κατά κύριο λόγο στην παρουσία μεγάλου αριθμού ΨΘ κλήσεων, οι οποίες είναι απαραίτητο να φιλτραριστούν κατά την ανάλυση. Μελλοντικά, μπορούν να εισαχθούν στα αντίστοιχα pipeline εργαλεία φιλτραρίσματος όπως το CNVfilteR, που απορρίπτουν κλήσεις μέσω της παρουσίας SNVs εντός τους. Το ExomeDepth παρουσιάζεται ως το εργαλείο με τη μεγαλύτερη ακρίβεια με διαφορά, ωστόσο πιθανές τροποποιήσεις των εργαλείων και των δειγμάτων μπορούν να βελτιώσουν την ποιότητα ακόμα περισσότερο. Η χρήση δειγμάτων υγιών ατόμων μειώνει την ακρίβεια και περιορίζει τη χρήση των εσωτερικών φίλτρων του ExomeDepth, καθώς και τα δύο εργαλεία εντοπίζουν καλύτερα σπάνιες (άρα και πιθανώς παθολογικές) παραλλαγές. Τελικώς, ο πιθανός συνδυασμός των εργαλείων σε παθολογικά δείγματα (είτε WES είτε σε στοχευμένα πάνελ γονιδίων), μαζί με το συνδυασμό όλων των πιθανών φίλτρων που μπορούν να απορίψουν κλήσεις να μπορέσει να αποδώσει μεγαλύτερα ποσοστά ακρίβειας σε όλους τους τύπους CNVs.","Introduction: Copy Number Variations (CNVs) describe genomic structural variations, such as deletions and duplications, of more than 50 bp in size. CNVs have been confirmed to contribute to the phenotypic variations and genetic basis of many diseases, such as cancer and heart disease. The main techniques for identifying CNVs in clinical diagnosis are MLPA and aCHG, however both are relatively limited on a wide scale. For the broader identification of CNVs in modern research, a plethora of bioinformatics tools have been developed to identify CNVs in sequencing data. However, their accuracy rates show inconsistency from survey to survey. To this end, we studied and compared two of the best known tools for detecting CNVs: ExomeDepth, and panelcn.mops. Methodology: These two tools receive Whole Exome Sequencing (WES) data as input, but present differences in the way they operate (need of reference sample or no, use of different statistical methods, etc.). A communal set of 10 bam samples was used as analysis sample in both tools, for which we know the CNVs locations in advance (510 in total). The set comes from phase 3 of the 1000 Genomes project and concerns healthy individuals. The aim of the study is to draw conclusions about the comparative effectiveness of the tools in terms of sensitivity and precision, and it is expected to draw important conclusions about a more effective prediction of CNVs from WES data. Additionally, the possibility of creating a consensus prediction model by combining the results of both tools is explored. Results: Panelcn.mops yielded a higher number of True Positive (TP) calls both in terms of duplications and deletions, with 29 vs. 2 and 146 vs. 62 respectively. However, as it yielded a much higher number of total calls, hence False Positive (FP) calls, its precision is significantly lower. ExomeDepth yielded a precision rate of 0.18% for deletions and 7.16% for duplications, and panelcn.mops yielded 0.011% and 0.178% respectively. Combining their results, filtering first through some of their internal quality controls to reduce the amount of FP calls, yielded precision rates slightly above those of panelcn.mops (0.0134% and 0.205% respectively). Conclusions and Discussion: The occurrence of reduced precision rates is primarily due to the presence of a large number of FP calls, which must be filtered out during the analysis. In the future, filtering tools such as CNVfilteR, which reject calls through the presence of SNVs within them, can be introduced in the respective pipelines. ExomeDepth is presented as the tool with the highest accuracy by far, however possible modifications to both the tools and samples can improve the quality even further. The use of samples from healthy individuals reduces the accuracy and limits the use of ExomeDepth's internal filters, as both tools are better at detecting rare (and therefore potentially pathological) variants. Ultimately, the potential combination of tools on pathological samples (either WES or targeted gene panels), along with the combination of all possible filters that can discard FP calls should be able to yield higher precision rates across all types of CNVs."]},{"key":"dc:title","label":"Title","values":["Υπολογιστική μελέτη μεγάλων γενεωμικών αναδιατάξεων (Large Genomic Rearrangements, LGRs) από δεδομένα αλληλούχησης επόμενης γενιάς Next Generation Sequencing, NGS)"]}]}],"canonical_facts":{"dc:creator":["Βανδώρου Φαίδρα-Παρασκευή","Vandorou Faidra-Paraskevi"],"dc:date":["2024"],"dc:description":["Εισαγωγή: Οι Παραλλαγές Αριθμού Αντιγράφων (Copy Number Variations, CNVs) περιγράφουν γενωμικές δομικές μεταλλαγές, όπως διαγραφές και διπλασιασμούς, μεγέθους άνω των 50 bp. Τα CNVs έχουν επιβεβαιωθεί ότι συμβάλλουν στις φαινοτυπικές παραλλαγές και τη γενετική βάση πολλών ασθενειών, όπως ο καρκίνος και οι καρδιακές ασθένειες. Οι κύριες τεχνικές εντοπισμού των CNVs στην κλινική διάγνωση είναι η MLPA και η aCHG, ωστόσο και οι δύο είναι σχετικά περιορισμένες σε ευρεία κλίμακα. Για τον ευρύτερο εντοπισμό CNVs στη σύγχρονη έρευνα, έχει αναπτυχθεί πληθώρα βιοπληροφορικών εργαλείων εντοπισμού των CNVs σε δεδομένα αλληλούχησης. Ωστόσο, τα ποσοστά ακρίβειας τους παρουσιάζουν ασυνέπεια από έρευνα σε έρευνα. Για το σκοπό αυτό γίνει μελέτη και σύγκριση σε δύο από τα γνωστότερα εργαλεία εντοπισμού CNVs: Το ExomeDepth, και το panelcn.mops. Μεθοδολογία: Τα δύο εργαλεία αυτά δέχονται δεδομένα Whole Exome Sequencing (WES), αλλά παρουσιάζουν διαφορές στον τρόπο λειτουργίας τους (ανάγκη ή όχι δείγματος αναφοράς, χρήση διαφορετικών στατιστικών μεθόδων κλπ). Ως δείγμα ανάλυσης χρησιμοποιήθηκε ένα κοινό σύνολο 10 δειγμάτων bam και στα δύο εργαλεία, για τα οποία γνωρίζουμε εκ των προτέρων τις θέσεις CNVs (510 συνολικά). Το σύνολο προέρχεται από το phase 3 του προγράμματος 1000 Genomes και αφορά υγιή άτομα. Στόχος της μελέτης είναι η εξαγωγή συμπερασμάτων για την συγκριτική αποτελεσματικότητα των εργαλείων σε ότι έχει να κάνει με την ευαισθησία και την ακρίβεια, και αναμένεται να εξαχθούν σημαντικά συμπεράσματα για την αποτελεσματικότερη πρόγνωση των CNVs απο WES δεδομένα. Παράλληλα διερευνάται η πιθανότητα να δημιουργηθεί ένα συναινετικό μοντέλο πρόγνωσης, συνδυαζοντας τα αποτελέσματα και των δύο εργαλείων. Αποτελέσματα: Το panelcn.mops απέδωσε περισσότερες Αληθώς Θετικές (ΑΘ) κλήσεις τόσο σε επίπεδο διπλασιασμών όσο και σε επίπεδο διαγραφων, με 29 έναντι 2 και 146 έναντι 62 αντίστοιχα. Παρόλα αυτά, καθώς απέδωσε πολύ μεγαλύτερο αριθμό συνολικών κλήσεων, άρα και Ψευδώς Θετικών (ΨΘ), η ακρίβεια του είναι αισθητά μικρότερη. Το ExomeDepth απέδωσε ακρίβεια 0.18% για διαγραφές και 7.16% για διπλασιασμούς, και το panelcn.mops 0.011% και 0.178% αντίστοιχα. Ο συνδυασμός των αποτελεσμάτων τους, φιλτράροντας αρχικά μέσω κάποιων εσωτερικών τους συντελεστών ποιότητας για να μειωθεί η ποσότητα ΨΘ κλήσεων, απέδωσε ακρίβεια λίγο ανώτερη από τα ποσοστά του panelcn.mops (0.0134% και 0.205% αντίστοιχα). Συμπεράσματα και Συζήτηση: Η εμφάνιση μειωμένων ποσοστών ακρίβειας εντοπίζεται κατά κύριο λόγο στην παρουσία μεγάλου αριθμού ΨΘ κλήσεων, οι οποίες είναι απαραίτητο να φιλτραριστούν κατά την ανάλυση. Μελλοντικά, μπορούν να εισαχθούν στα αντίστοιχα pipeline εργαλεία φιλτραρίσματος όπως το CNVfilteR, που απορρίπτουν κλήσεις μέσω της παρουσίας SNVs εντός τους. Το ExomeDepth παρουσιάζεται ως το εργαλείο με τη μεγαλύτερη ακρίβεια με διαφορά, ωστόσο πιθανές τροποποιήσεις των εργαλείων και των δειγμάτων μπορούν να βελτιώσουν την ποιότητα ακόμα περισσότερο. Η χρήση δειγμάτων υγιών ατόμων μειώνει την ακρίβεια και περιορίζει τη χρήση των εσωτερικών φίλτρων του ExomeDepth, καθώς και τα δύο εργαλεία εντοπίζουν καλύτερα σπάνιες (άρα και πιθανώς παθολογικές) παραλλαγές. Τελικώς, ο πιθανός συνδυασμός των εργαλείων σε παθολογικά δείγματα (είτε WES είτε σε στοχευμένα πάνελ γονιδίων), μαζί με το συνδυασμό όλων των πιθανών φίλτρων που μπορούν να απορίψουν κλήσεις να μπορέσει να αποδώσει μεγαλύτερα ποσοστά ακρίβειας σε όλους τους τύπους CNVs.","Introduction: Copy Number Variations (CNVs) describe genomic structural variations, such as deletions and duplications, of more than 50 bp in size. CNVs have been confirmed to contribute to the phenotypic variations and genetic basis of many diseases, such as cancer and heart disease. The main techniques for identifying CNVs in clinical diagnosis are MLPA and aCHG, however both are relatively limited on a wide scale. For the broader identification of CNVs in modern research, a plethora of bioinformatics tools have been developed to identify CNVs in sequencing data. However, their accuracy rates show inconsistency from survey to survey. To this end, we studied and compared two of the best known tools for detecting CNVs: ExomeDepth, and panelcn.mops. Methodology: These two tools receive Whole Exome Sequencing (WES) data as input, but present differences in the way they operate (need of reference sample or no, use of different statistical methods, etc.). A communal set of 10 bam samples was used as analysis sample in both tools, for which we know the CNVs locations in advance (510 in total). The set comes from phase 3 of the 1000 Genomes project and concerns healthy individuals. The aim of the study is to draw conclusions about the comparative effectiveness of the tools in terms of sensitivity and precision, and it is expected to draw important conclusions about a more effective prediction of CNVs from WES data. Additionally, the possibility of creating a consensus prediction model by combining the results of both tools is explored. Results: Panelcn.mops yielded a higher number of True Positive (TP) calls both in terms of duplications and deletions, with 29 vs. 2 and 146 vs. 62 respectively. However, as it yielded a much higher number of total calls, hence False Positive (FP) calls, its precision is significantly lower. ExomeDepth yielded a precision rate of 0.18% for deletions and 7.16% for duplications, and panelcn.mops yielded 0.011% and 0.178% respectively. Combining their results, filtering first through some of their internal quality controls to reduce the amount of FP calls, yielded precision rates slightly above those of panelcn.mops (0.0134% and 0.205% respectively). Conclusions and Discussion: The occurrence of reduced precision rates is primarily due to the presence of a large number of FP calls, which must be filtered out during the analysis. In the future, filtering tools such as CNVfilteR, which reject calls through the presence of SNVs within them, can be introduced in the respective pipelines. ExomeDepth is presented as the tool with the highest accuracy by far, however possible modifications to both the tools and samples can improve the quality even further. The use of samples from healthy individuals reduces the accuracy and limits the use of ExomeDepth's internal filters, as both tools are better at detecting rare (and therefore potentially pathological) variants. Ultimately, the potential combination of tools on pathological samples (either WES or targeted gene panels), along with the combination of all possible filters that can discard FP calls should be able to yield higher precision rates across all types of CNVs."],"dc:identifier":["uoadl:3418926","https://pergamos.lib.uoa.gr/uoa/dl/object/3418926"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Υπολογιστική μελέτη μεγάλων γενεωμικών αναδιατάξεων (Large Genomic Rearrangements, LGRs) από δεδομένα αλληλούχησης επόμενης γενιάς Next Generation Sequencing, NGS)"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:30:25Z"}