{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5312762"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5312762","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Integrative Deep-Learning and Transcriptome-Resolved Framework for Discovery of Cryptic Splicing Variants in Breast Cancer","abstract":"Η εναλλακτική μετακίνηση (alternative splicing) αποτελεί βασικό μηχανισμό διαφοροποίησης του μεταγραφώματος και διαταράσσεται συχνά στον καρκίνο. Αν και μοντέλα βαθιάς μάθησης όπως το SpliceAI επιτρέπουν την πρόβλεψη μεταλλάξεων που επηρεάζουν την μετακίνηση με βάση την αλληλουχία DNA, η συστηματική επιβεβαίωση μέσω μεταγραφικών δεδομένων παραμένει περιορισμένη. Η παρούσα εργασία παρουσιάζει ένα ολοκληρωμένο υπολογιστικό πλαίσιο που συνδυάζει προβλέψεις του SpliceAI με ανάλυση RNA-seq σε επίπεδο ισομορφών, με στόχο την αναγνώριση κρυφών και δυσλειτουργικών συμβάντων μετακίνησης σε καρκίνο του μαστού. Αναλύθηκαν δεδομένα ολικής γονιδιωματικής αλληλούχισης και RNA-seq από 89 ασθενείς με καρκίνο μαστού του TCGA. Επιλέχθηκαν μεταλλάξεις (SNVs και indels) με υψηλό προβλεπόμενο αντίκτυπο στη μετακίνηση (Δ ≥ 0.2, SpliceAI). Η συναρμολόγηση μεταγραφών έγινε με το StringTie και ακολούθησε ποσοτικοποίηση ισομορφών και ανάλυση διαφορικής έκφρασης μεταξύ φορέων και μη-φορέων μεταλλάξεων. Οι προβλεπόμενες θέσεις διαταραχής μετακίνησης χαρτογραφήθηκαν πίσω στις συναρμολογημένες μεταγραφές και συσχετίστηκαν με αλλαγές στην έκφραση. Τα αποτελέσματα δείχνουν ότι τα indels αντιστοιχούσαν συχνότερα σε διαφοροποιημένες ισομορφές απ’ ό,τι τα SNVs. Δύο indels συσχετίστηκαν στατιστικά σημαντικά με επιβίωση, χωρίς όμως να επηρεάζουν την έκφραση μεταγραφών. Το πλαίσιο αυτό αναδεικνύει τις δυνατότητες και τους περιορισμούς της ολοκληρωμένης ανάλυσης για την ερμηνεία μη κωδικών παραλλαγών στον καρκίνο.","abstract_html":"Η εναλλακτική μετακίνηση (alternative splicing) αποτελεί βασικό μηχανισμό διαφοροποίησης του μεταγραφώματος και διαταράσσεται συχνά στον καρκίνο. Αν και μοντέλα βαθιάς μάθησης όπως το SpliceAI επιτρέπουν την πρόβλεψη μεταλλάξεων που επηρεάζουν την μετακίνηση με βάση την αλληλουχία DNA, η συστηματική επιβεβαίωση μέσω μεταγραφικών δεδομένων παραμένει περιορισμένη. Η παρούσα εργασία παρουσιάζει ένα ολοκληρωμένο υπολογιστικό πλαίσιο που συνδυάζει προβλέψεις του SpliceAI με ανάλυση RNA-seq σε επίπεδο ισομορφών, με στόχο την αναγνώριση κρυφών και δυσλειτουργικών συμβάντων μετακίνησης σε καρκίνο του μαστού. Αναλύθηκαν δεδομένα ολικής γονιδιωματικής αλληλούχισης και RNA-seq από 89 ασθενείς με καρκίνο μαστού του TCGA. Επιλέχθηκαν μεταλλάξεις (SNVs και indels) με υψηλό προβλεπόμενο αντίκτυπο στη μετακίνηση (Δ ≥ 0.2, SpliceAI). Η συναρμολόγηση μεταγραφών έγινε με το StringTie και ακολούθησε ποσοτικοποίηση ισομορφών και ανάλυση διαφορικής έκφρασης μεταξύ φορέων και μη-φορέων μεταλλάξεων. Οι προβλεπόμενες θέσεις διαταραχής μετακίνησης χαρτογραφήθηκαν πίσω στις συναρμολογημένες μεταγραφές και συσχετίστηκαν με αλλαγές στην έκφραση. Τα αποτελέσματα δείχνουν ότι τα indels αντιστοιχούσαν συχνότερα σε διαφοροποιημένες ισομορφές απ’ ό,τι τα SNVs. Δύο indels συσχετίστηκαν στατιστικά σημαντικά με επιβίωση, χωρίς όμως να επηρεάζουν την έκφραση μεταγραφών. Το πλαίσιο αυτό αναδεικνύει τις δυνατότητες και τους περιορισμούς της ολοκληρωμένης ανάλυσης για την ερμηνεία μη κωδικών παραλλαγών στον καρκίνο.","abstract_has_math":false,"creators":["Gogaeva Izabella"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:40:51Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5312762"],"render_values":[{"text":"uoadl:5312762","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5312762","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5312762","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%3A5312762","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Gogaeva Izabella"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"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":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5312762","https://pergamos.lib.uoa.gr/uoa/dl/object/5312762"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η εναλλακτική μετακίνηση (alternative splicing) αποτελεί βασικό μηχανισμό διαφοροποίησης του μεταγραφώματος και διαταράσσεται συχνά στον καρκίνο. Αν και μοντέλα βαθιάς μάθησης όπως το SpliceAI επιτρέπουν την πρόβλεψη μεταλλάξεων που επηρεάζουν την μετακίνηση με βάση την αλληλουχία DNA, η συστηματική επιβεβαίωση μέσω μεταγραφικών δεδομένων παραμένει περιορισμένη. Η παρούσα εργασία παρουσιάζει ένα ολοκληρωμένο υπολογιστικό πλαίσιο που συνδυάζει προβλέψεις του SpliceAI με ανάλυση RNA-seq σε επίπεδο ισομορφών, με στόχο την αναγνώριση κρυφών και δυσλειτουργικών συμβάντων μετακίνησης σε καρκίνο του μαστού. Αναλύθηκαν δεδομένα ολικής γονιδιωματικής αλληλούχισης και RNA-seq από 89 ασθενείς με καρκίνο μαστού του TCGA. Επιλέχθηκαν μεταλλάξεις (SNVs και indels) με υψηλό προβλεπόμενο αντίκτυπο στη μετακίνηση (Δ ≥ 0.2, SpliceAI). Η συναρμολόγηση μεταγραφών έγινε με το StringTie και ακολούθησε ποσοτικοποίηση ισομορφών και ανάλυση διαφορικής έκφρασης μεταξύ φορέων και μη-φορέων μεταλλάξεων. Οι προβλεπόμενες θέσεις διαταραχής μετακίνησης χαρτογραφήθηκαν πίσω στις συναρμολογημένες μεταγραφές και συσχετίστηκαν με αλλαγές στην έκφραση. Τα αποτελέσματα δείχνουν ότι τα indels αντιστοιχούσαν συχνότερα σε διαφοροποιημένες ισομορφές απ’ ό,τι τα SNVs. Δύο indels συσχετίστηκαν στατιστικά σημαντικά με επιβίωση, χωρίς όμως να επηρεάζουν την έκφραση μεταγραφών. Το πλαίσιο αυτό αναδεικνύει τις δυνατότητες και τους περιορισμούς της ολοκληρωμένης ανάλυσης για την ερμηνεία μη κωδικών παραλλαγών στον καρκίνο.","Alternative splicing is a key mechanism of transcriptome diversification and is frequently disrupted in cancer. While deep learning models like SpliceAI enable prediction of splice-altering variants from genomic sequence, systematic validation using transcriptomic data remains limited. This thesis presents an integrative framework that combines SpliceAI predictions with isoform-resolved RNA-seq analysis to identify cryptic and dysregulated splicing events in breast cancer. Whole-genome and RNA-seq data from 89 TCGA-BRCA patients were analyzed. Candidate splice-altering single-nucleotide variants and indels were prioritized using SpliceAI (Δ ≥ 0.2). Transcriptome assembly with StringTie followed by isoform-level quantification enabled differential expression analysis between variant carriers and controls. Predicted splice-disruptive positions were then systematically matched to transcript structures and expression changes to assess functional impact. Results demonstrate that indel predictions more frequently corresponded to differentially expressed isoforms than SNVs, with loss events often associated with transcript downregulation—consistent with exon skipping or degradation via nonsense-mediated decay. Although survival analysis identified two indels with significant associations, neither overlapped with differentially expressed transcripts. These findings illustrate both the potential and limitations of integrating predictive and transcriptomic data for interpreting noncoding variants in cancer."]},{"key":"dc:title","label":"Title","values":["Integrative Deep-Learning and Transcriptome-Resolved Framework for Discovery of Cryptic Splicing Variants in Breast Cancer"]}]}],"canonical_facts":{"dc:creator":["Gogaeva Izabella"],"dc:date":["2025"],"dc:description":["Η εναλλακτική μετακίνηση (alternative splicing) αποτελεί βασικό μηχανισμό διαφοροποίησης του μεταγραφώματος και διαταράσσεται συχνά στον καρκίνο. Αν και μοντέλα βαθιάς μάθησης όπως το SpliceAI επιτρέπουν την πρόβλεψη μεταλλάξεων που επηρεάζουν την μετακίνηση με βάση την αλληλουχία DNA, η συστηματική επιβεβαίωση μέσω μεταγραφικών δεδομένων παραμένει περιορισμένη. Η παρούσα εργασία παρουσιάζει ένα ολοκληρωμένο υπολογιστικό πλαίσιο που συνδυάζει προβλέψεις του SpliceAI με ανάλυση RNA-seq σε επίπεδο ισομορφών, με στόχο την αναγνώριση κρυφών και δυσλειτουργικών συμβάντων μετακίνησης σε καρκίνο του μαστού. Αναλύθηκαν δεδομένα ολικής γονιδιωματικής αλληλούχισης και RNA-seq από 89 ασθενείς με καρκίνο μαστού του TCGA. Επιλέχθηκαν μεταλλάξεις (SNVs και indels) με υψηλό προβλεπόμενο αντίκτυπο στη μετακίνηση (Δ ≥ 0.2, SpliceAI). Η συναρμολόγηση μεταγραφών έγινε με το StringTie και ακολούθησε ποσοτικοποίηση ισομορφών και ανάλυση διαφορικής έκφρασης μεταξύ φορέων και μη-φορέων μεταλλάξεων. Οι προβλεπόμενες θέσεις διαταραχής μετακίνησης χαρτογραφήθηκαν πίσω στις συναρμολογημένες μεταγραφές και συσχετίστηκαν με αλλαγές στην έκφραση. Τα αποτελέσματα δείχνουν ότι τα indels αντιστοιχούσαν συχνότερα σε διαφοροποιημένες ισομορφές απ’ ό,τι τα SNVs. Δύο indels συσχετίστηκαν στατιστικά σημαντικά με επιβίωση, χωρίς όμως να επηρεάζουν την έκφραση μεταγραφών. Το πλαίσιο αυτό αναδεικνύει τις δυνατότητες και τους περιορισμούς της ολοκληρωμένης ανάλυσης για την ερμηνεία μη κωδικών παραλλαγών στον καρκίνο.","Alternative splicing is a key mechanism of transcriptome diversification and is frequently disrupted in cancer. While deep learning models like SpliceAI enable prediction of splice-altering variants from genomic sequence, systematic validation using transcriptomic data remains limited. This thesis presents an integrative framework that combines SpliceAI predictions with isoform-resolved RNA-seq analysis to identify cryptic and dysregulated splicing events in breast cancer. Whole-genome and RNA-seq data from 89 TCGA-BRCA patients were analyzed. Candidate splice-altering single-nucleotide variants and indels were prioritized using SpliceAI (Δ ≥ 0.2). Transcriptome assembly with StringTie followed by isoform-level quantification enabled differential expression analysis between variant carriers and controls. Predicted splice-disruptive positions were then systematically matched to transcript structures and expression changes to assess functional impact. Results demonstrate that indel predictions more frequently corresponded to differentially expressed isoforms than SNVs, with loss events often associated with transcript downregulation—consistent with exon skipping or degradation via nonsense-mediated decay. Although survival analysis identified two indels with significant associations, neither overlapped with differentially expressed transcripts. These findings illustrate both the potential and limitations of integrating predictive and transcriptomic data for interpreting noncoding variants in cancer."],"dc:identifier":["uoadl:5312762","https://pergamos.lib.uoa.gr/uoa/dl/object/5312762"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Integrative Deep-Learning and Transcriptome-Resolved Framework for Discovery of Cryptic Splicing Variants in Breast Cancer"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:51Z"}