NATIONAL BIBLIOGRAPHY NUMBER
Number
۲۰۷۱۳پ
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
per
TITLE AND STATEMENT OF RESPONSIBILITY
Title Proper
مطالعه داده‌صهای بیانی میکرواری مربوط به سرطان معده و پیشگویی فازهای مختلف بیماری
Parallel Title Proper
Gastric cancer patients diseases stage prediction based on Microarray data analysis
First Statement of Responsibility
/نفیسه قربانپور فرشباف
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
: علوم طبیعی
Date of Publication, Distribution, etc.
، ۱۳۹۷
Name of Manufacturer
، راشدی
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۷۲ص
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی - الکترونیکی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
زیست شناسی گرایش بیوشیمی
Date of degree
۱۳۹۷/۱۱/۱۶
Body granting the degree
تبریز
SUMMARY OR ABSTRACT
Text of Note
تشخیص دیرهنگام و نتایج کلینیکی ضعیف حاصل از درمان در مبتلایان به سرطان معده باعث شده است تا سرطان معده به‌صعنوان یکی از عوامل مرگ ناشی از سرطان در جهان مطرح باشد .مبتلایان به سرطان معده را بر اساس ویژگی‌صهای مولکولی به چهار زیرگروه تقسیم کرده‌صاند .تاکنون درک روشنی از فرآیندصهای مولکولی دخیل در زیرگروه‌صهای مختلف سرطان معده به‌صوجود نیامده است و بنابراین نیاز است تا یک روش درمانی و تشخیصی جدید در این زمینه توسعه یابد .در این مطالعه یک روش زیست سامانه‌صای سه مرحله‌صای جهت درک مکانیسم‌صهای مولکولی درگیر در زیرگروه‌صهای سرطان معده و شناسایی ژن‌صهای کلیدی در هر زیرگروه مولکولی اتخاذ گردید .ابتدا آنالیز شبکه‌صی هم‌صبیان ژنی جهت شناسایی ماژول‌صهای ژنی هم‌صبیان در هر زیرگروه از سرطان معده انجام شد .سپس ارتباط هر ماژول با فاز بیماری) به‌صعنوان یک پارامتر کلینیکی نشان-دهنده‌صی پیشرفت تومور (با استفاده از الگوریتم یادگیری درخت تصمیم‌صگیری بررسی شد و بهترین ماژول ژنی برای پیش‌صگوئی فاز بیماری در هر زیرگروه مولکولی برای انجام آنالیزصهای بیشتر انتخاب شد .در مرحله‌صی بعدی، آنالیز شبکه شامل شناسایی و رتبه‌صبندی موتیف‌صها به‌صکار گرفته شد تا موتیف‌صهای ژنی تنظیمی از شبکه‌صی زیستی ساخته شده برای ماژول برتر در هر زیرگروه استخراج شوند .موتیف‌صهای برتر زیرگروهTP۵۳ - عمدتا شامل ژن‌صهای درگیر در مسیر سیگنالینگ MAPK هستند که این موضوع نقش کلیدی این ژن‌صها را در این زیرگروه از سرطان معده نشان می‌صدهد .از میان ژن‌صهای درگیر در موتیف‌صهای زیرگروهTP۵۳ + دو ژن HNRNPC و RPL۶ در مطالعات به‌صعنوان ژن‌صهای مرتبط با سرطان معده مطرح شده‌صاند که نتایج حاصل از این پایان‌صنامه نشان می‌صدهد این ژن‌صها با زیرگروهTP۵۳ + از سرطان معده ارتباط دارند .در بین ژن‌صهای شناسایی‌صشده برای زیرگروهEMT ، PSMB۸ به‌صعنوان یک زیست‌صنشانگر بالقوه‌صی پیش‌صآگهی مختص به زیرگروه‌صهای سرطان معده با پیش‌صآگهی ضعیف گزارش شده است .ژن RIPK۴ در تمامی پنج موتیف برتر زیرگروه MSI تکرار شده است که این موضوع نشان می‌صدهد که RIPK۴ ممکن است یک ژن مرتبط با زیرگروه MSI باشد .این یافته‌صها می‌صتوانند در جهت توسعه‌صی یک روش درمانی جدید بر اساس پزشکی شخصی و در راستای تشخیص سریع فاز بیماری در مبتلایان و توسعه‌صی درمان متناسب با فاز بیماری استفاده شوند .روش استفاده شده در این مطالعه می‌صتواند برای درک مکانیسم‌صها و مسیرهای درگیر در سایر بیماری‌صها و فنوتیپ‌صهای پیچیده نیز به‌صکار رود
Text of Note
Late diagnosis and poor clinical outcomes of cancer therapy in Gastric cancer (GC) patients have caused to GC be one of the causes of cancer mortality worldwide. GC patients are classified in four subtypes based on molecular properties. Molecular understanding of different GC subtypes is still dismal and it is necessary to develop new diagnostic and therapeutic approaches. A three-step systemes biology approach was developed in this study to understand involved molecular mechanisms of GC subtypes and identify important genes in each subtype. First weighted gene co-expression network analysis was performed to explore co-expressed gene modules in subtypes. Afterwards, the relationship of each module with tumor stage (as a clinical trait indicating tumor progression) was studied by decision tree machine learning algorithm and the best predicting module was selected for further analysis. Subsequently network analysis including motif identification and motif ranking was implemented to explore regulatory gene motifs from biological network of selected module in each molecular subtype. Motif members of TP53- mostly contain MAPK signaling pathway genes which shows their key role in this subtype of GC. Among involved genes in motifs of TP53+ subtype, HNRNPC and RPL6 genes were reported as GC related genes that our results in this thesis show that these genes are related to TP53+ subtype of GC. Among identified genes for EMT subtype, PSMB8 was reported as a potential subtype-specific prognostic marker for GC subtype with poor prognosis (such as EMT). RIPK4 Is repeated in all five important motifs of MSI subtype that it shows RIPK4 might be a MSI subtype related gene. These findings can be used to develop new diagnostic and therapeutic approaches based on personalized medicine concept. This methodology could be implemented to unravel underlying mechanisms and pathways in other complex phenotypes and diseases
PARALLEL TITLE PROPER
Parallel Title
Gastric cancer patients diseases stage prediction based on Microarray data analysis
PERSONAL NAME - PRIMARY RESPONSIBILITY
قربانپور فرشباف، نفیسه
Ghorbanpour Farshbaf, Nafiseh
PERSONAL NAME - SECONDARY RESPONSIBILITY
برزگر، ابوالفضل، استاد راهنما
صادقی، مهدی، استاد راهنما
نیکزاد، بهزاد، استاد مشاور
ELECTRONIC LOCATION AND ACCESS
Public note
سیاه و سفید
نمایه‌سازی قبلی
