Εισαγωγή στη Βιολογία Συστημάτων

Abstract

Το τελευταίο αυτό, σύντομο κεφάλαιο έχει σκοπό να παρουσιάσει μια σειρά από αναλύσεις που περιγράφηκαν στα προηγούμενα μέσα από τη συζήτηση ενός σύνθετου βιολογικού προβλήματος ανάλυσης γονιδιωματικών δεδομένων. Σε αντίθεση με τα προηγούμενα κεφάλαια, περιγράφουμε τα διαδοχικά στάδια μιας ανάλυσης που σκοπό έχει να συνδυάσει γονιδιωματικά δεδομένα δύο διαφορετικών τύπων, στο πλαίσιο μιας προσέγγισης σε επίπεδο συστημάτων. Το αληθινό πρόβλημα που παρουσιάζεται είναι η συσχέτιση δεδομένων γονιδιακής έκφρασης και DNA μεθυλίωσης σε γονιδιωματική κλίμακα σ' ενα ευκαρυωτικό γονιδίωμα. Αφού αρχικά παρουσιάσουμε την εφαρμογή μιας σειράς από μεθοδολογικές αναλύσεις που περιγράψαμε στα προηγούμενα κεφάλαια, θα εξετάσουμε τρόπους για τη μοντελοποίηση των δεδομένων με σκοπό την καλύτερη ερμηνεία του υπό μελέτη φαινομένου, που είναι η ρύθμιση της μεταγραφής από ένα βασικό επιγενετικό παράγοντα. Στο τέλος του Κεφαλαίου θα πρέπει να μπορείτε: Να σχεδιάσετε συνδυαστικές αναλύσεις δεδομένων διαφορετικών τύπων με σκοπό την εξαγωγή συμπερασμάτων σε επίπεδο συστήματος. Να κατανοήσετε τις βασικές αρχές μεθόδων μηχανικής μάθησης, όπως η απλή κατάταξη και η παλινδρόμηση. Να εφαρμόσετε τεχνικές μηχανικής μάθησης για τη μοντελοποίηση γονιδιωματικών δεδομένων.

This final, brief chapter aims to present a series of analyses described in previous chapters through the discussion of a complex biological problem involving the analysis of genomic data. Unlike the previous chapters, we describe the successive stages of an analysis that aims to combine genomic data of two different types, within the framework of a systems-level approach. The real problem presented is the correlation of gene expression and DNA methylation data on a genome-wide scale in a eukaryotic genome. After initially presenting the application of a series of methodological analyses described in the previous chapters, we will examine ways to model the data for a better interpretation of the phenomenon under study, which is the regulation of transcription by a key epigenetic factor. By the end of this chapter, you should be able to: Design integrative analyses of different types of data to draw conclusions at the systems level. Understand the basic principles of machine learning methods, such as simple classification and regression. Apply machine learning techniques for modeling genomic data.