Vis enkel innførsel

dc.contributor.advisorVinje, Hilde
dc.contributor.advisorMathelier, Anthony
dc.contributor.authorKlokkerud, Solveig Margrete Knoph
dc.date.accessioned2021-01-05T13:49:52Z
dc.date.available2021-01-05T13:49:52Z
dc.date.issued2020
dc.identifier.urihttps://hdl.handle.net/11250/2721537
dc.description.abstractBreast cancer is the most common cancer type in women, and response to treatment varies immensely between subtypes. As of today, patients with Basal- like breast cancer lacks targeted treatment, which leads to poor prognosis for this group. Also other subtypes could benefit from a more targeted treatment. The molecular characteristics of each subtype remains an active area of research, and transcription factors that drive the subtypes need to be investigated in order to provide potential targets for more effective treatments. The molecular characteristics of each breast cancer subtype were inferred from ATAC-seq and RNA-seq data from 70 breast cancer patients, using two different matrix factorization methods. The first analysis used non-negative matrix factorization (NMF) on two separate data sets: One for ATAC-seq data, and one for RNA-seq data. The samples were clustered into five groups, based on molecular patterns shared within the groups, for both data sets. The DNA regions that were specifically open for each group were investigated for enriched transcription factor binding sites. The same was done for the promoter regions of the genes that were highly expressed in each group. The Basal-like subtype achieved the most successful clustering, and transcription factors likely to drive this subtype were uncovered. Also transcription factors responsible for driving a collective group of estrogen positive (ER+) subtypes were uncovered. The second analysis used Multi-Omics Factor Analysis (MOFA) to integrate the ATAC-seq and RNA-seq data in one combined analysis. The main purpose of this analysis was to support the findings of the first analysis, and possibly improve the clustering. The integration of multi- omics data resulted in two clusters, separating the Basal-like subtype from the rest of the subtypes. The clustering was not improved. However, some of the key transcription factors found for each group supported the results of the NMF analysis.en_US
dc.description.abstractBrystkreft er den krefttypen som rammer flest kvinner, og effekten pasienter har av behandling er svært avhengig av subtype. Fortsatt mangler pasienter med Basal brystkreft behandlingsalternativer som er målrettet mot denne subtypen, og prognosen er derfor dårlig for disse pasientene. Også pasienter med andre subtyper kunne ha dratt nytte av mer målrettet behandling. De molekylære egenskapene som kjennetegner hver subtype er et felt det forskes mye på, og transkripsjonsfaktorer som kan være viktige for hver av disse subtypene må undersøkes som potensielle mål for behandling. De molekylære egenskapene som kjennetegner de ulike subtypene ble funnet fra RNA-seq og ATAC-seq data fra 70 brystkreftpasienter, ved bruk av to ulike matrisefaktoriseringsteknikker. Den første analysen brukte ikke-negativ matrisefaktorisering (NMF) på to ulike datasett: Ett for ATAC-seq data, og ett for RNA-seq data. Prøvene ble gruppert i fem grupper, basert på de molekylære mønstrene som var felles for hver gruppe, for hvert datasett. DNA-regionene som var spesifikt åpne for hver gruppe ble undersøkt for å finne transkripsjonsfaktorbindingssetene som opptrådte oftest for hver gruppe. Det samme ble gjort for promoter-regionene til genene som var høyest uttrykt i hver gruppe. Den beste seperasjonen ble oppnådd for den Basale subtypen, og for denne gruppen ble det funnet en rekke transkripsjonsfaktorer som trolig er viktige. Det ble også funnet transkripsjonsfaktorer som kan være viktige i subtyper som er drevet av østrogenreseptorer (ER+). Den andre analysen brukte «multi-omics» faktoranalyse (MOFA) for å integrere ATAC-seq og RNAseq data i en kombinert analyse. Hovedmålet med denne analysen var å understøtte funnene fra den første analysen, og å forbedre grupperingene om mulig. Integreringen av «multi-omics» data resulterte i to grupper, som separerte den Basale subtypen fra resten av subtypene. Grupperingene ble ikke forbedret. Likevel kunne noen av transkripsjonsfaktorene som ble funnet for hver gruppe brukes til å støtte opp om resultatene fra NMF-analysen.en_US
dc.language.isoengen_US
dc.publisherNorwegian University of Life Sciences, Åsen_US
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internasjonal*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.no*
dc.titleUncovering key transcription factors in breast cancer subtypes using matrix factorizationen_US
dc.title.alternativeDeteksjon av viktige transkripsjonsfaktorer i ulike subtyper av brystkreft ved bruk av matrisefaktoriseringen_US
dc.typeMaster thesisen_US
dc.description.localcodeM-BIASen_US


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel

Attribution-NonCommercial-NoDerivatives 4.0 Internasjonal
Med mindre annet er angitt, så er denne innførselen lisensiert som Attribution-NonCommercial-NoDerivatives 4.0 Internasjonal