Väitös tietojenkäsittelytieteen alalta, DI Viivi Halla-aho

Väitöskirjan nimi: Probabilistic modeling of DNA methylation sequencing data

Vastaväittäjä: professori Jan Komorowski, Uppsala universitet, Ruotsi
Kustos: professori Harri Lähdesmäki, Aalto-yliopiston perustieteiden korkeakoulu, Tietotekniikan laitos

Väitöstilaisuus järjestetään kampuksella (Maarintie 8, sali AS2).

Linkki väitöskirjan sähköiseen esittelykappaleeseen: https://aaltodoc.aalto.fi/doc_public/eonly/riiputus/ Elektroninen väitöskirja on luettavissa täällä: https://aaltodoc.aalto.fi/handle/123456789/116832

Väitöstiedote:

DNA-metylaatio on geenejä sääntelevä epigeneettinen ilmiö, jossa DNA:han kiinnittyy metyyliryhmiä. Poikkeavien DNA-metylaatiotilojen yhteyttä esimerkiksi erilaisiin sairauksiin on tutkittu laajalti. DNA-metylaatiota voidaan mitata sekvensointimenetelmillä. Väitöskirjassa mallinnettiin dataa kahdenlaisista sekvensointimenetelmistä: bisulfiittisekvensoinnista ja cfMeDIP-seq-menetelmästä. Laajalti käytetty bisulfiittisekvensointi antaa tietoa DNA-metylaatiotilasta emäsparin tarkkuudella. Uudemmalla cfMeDIP-seq-menetelmällä puolestaan voidaan mitata kudosten verenkiertoon vapauttamien soluvapaiden DNA-palasten metylaatiotila. Soluvapaan DNA:n muutoksien havaitsemista pidetään potentiaalisena kajoamattomana syöpäseulontamenetel-mänä. Väitöskirjatutkimuksen tarkoituksena oli kehittää menetelmiä, joilla voitaisiin saada entistä tarkempia tuloksia bisulfiittisekvensointidataan perustuvasta differentiaalisesta DNA-metylaatioanalyysistä ja cfMeDIP-seq-dataan perustuvasta syöpäluokittelusta.

Väitöskirjassa esitellään kaksi uutta bisulfiittisekvensointidatalle tarkoitettua DNA-metylaatioanalyysityökalua, joissa hyödynnetään tietoa vierekkäisten sytosiinien DNA-metylaatiotilojen korrelaatiosta uudenlaisen korrelaatiorakenteen kautta. Lisäksi väitöskirja esittää työnkulun bisulfiittisekventointidatan esikäsittelyyn ja metylaatioanalyysin p-arvojen inflaation korjaamiseen. cfMeDIP-seq-dataan pohjautuvan syöpäluokittelun tarkkuutta pyrittiin parantamaan probabilistisilla menetelmillä ja erilaisilla muuttujanvalintakeinoilla. Esitetyille malleille on yhteistä probabilistinen lähestymistapa, jossa datan generoivaan prosessiin liittyvä epävarmuus määritellään antamalla datalle ja mallin parametreille todennäköisyysjakaumat.

Väitöskirjassa esitetyt tulokset osoittavat, että probabilistinen mallinnus ja bayesiläiset menetelmät toimivat hyvin ja voivat parantaa DNA-metylaatiosekvensointidatan analyysien tarkkuutta. Kehitetyt menetelmät mahdollistavat DNA-metylaation entistä tarkemman tutkimuksen, ja niillä on sovelluksia esimerkiksi sairauksien syiden ymmärtämisessä ja syöpäseulonnassa. Menetelmät ovat saatavilla avoimena lähdekoodina tutkijoiden ja bioinformaatikkojen käyttöön.

Väittelijän yhteystiedot: [email protected], +358 504918991