Optimalizace metody detekce změn v počtu kopií genů z dat DNA mikročipů

Mgr. Tomáš Reigl

Bachelor's thesis

Optimalization of methods for detection of copy number changes from DNA microarray data.

Abstract:

Ve své bakalářské práci se věnuji výpočetnímu algoritmu MSMAD (Budinská et al., 2009) určenému k analýze dat z array CGH mikročipů. Tato metoda implementovaná jako funkce v matematickém software R slouží k vyhledávání genových aberací (amplifikací a delecí) v genomu. Narozdíl od mnoha ostatních metod využívá kombinaci vyhlazování a vyhledávání zlomových bodů v datech, a proto je velmi účinná i při analýzách dat zatížených vysokým šumem. Další výhodou oproti ostatním vyhledávacím metodám je její neparametričnost a relativní jednoduchost, která se vyznačuje nízkým počtem vstupních argumentů, které jsou navíc velmi snadno uchopitelné. Jedinou nevýhodou této metody byla její vysoká časová náročnost v souvislosti s rostoucím objemem analyzovaných dat. Tímto problémem se zabývám v praktické části naší práce. Bližší analýzou časového vytížení dílčích funkcí jsem zjistil, že nejvíce časově náročná je část mediánového vyhlazování. Pro urychlení chodu celého algoritmu jsem se rozhodl implementovat tuto funkci z původního programovacího jazyka Fortran do jazyka C pomocí nové dynamické knihovny, které software R umí využívat. Tato úprava ovšem nebyla dostatečná a přinášela téměř stejné výsledky jako původní řešení. Proto jsem v algoritmu využil ještě funkci pro analyzování datových vektorů po částech, což podle provedených výpočtů vedlo až ke 4,7násobnému zrychlení celého algoritmu, ovšem v závislosti na velikosti analyzovaného datového souboru. Nyní je algoritmus připraven k aplikaci i na větší datové soubory, což bylo dokázáno analýzou reálného datového souboru 63 pacientů s rakovinou jater.

Abstract:

In this thesis I study computational algorithm MSMAD (Budinská et al., 2009) used for analysis of data from array CGH. This method is implemented in software for statistical computing R and is used for detection of genome aberrations (amplifications or deletions). In comparison to many other methods, this method uses smoothing with breakpoint detection which makes it very effective even in very noisy data. Next advantage is its relative simplicity. The disadvantage of the method is its low time efficiency in the analysis of data from arrayCGH platforms with more dense probesets. I solve this problem in the practical part of this thesis. Closer analysis of time consumption of the whole function and its components has revealed the most time consuming part of the algorithm - median smoothing. To make the algorithm faster, I implemented this function in the language C using the new dynamic library for R. This conversion wasn‘t as successful as expected because the final speed of computation was almost the same as in case of the original function. After this I used one more function to analyse vectors by parts. According to calculations this modification made the algorithm 4.7 times faster, depending on size of the dataset analyzed. Now the algorithm is ready for aplication even for large datasets, which was proved by the analysis of real dataset of 63 patients with hepatocellular carcinoma.

Keywords

MSMAD, mikročip, array CGH, implementace, R, optimalizace, MSMAD, microarray, implementation, optimization

Language used: Czech

Date on which the thesis was submitted / produced: 15. 3. 2013

Thesis defence

• Date of defence: 13. 6. 2013
• Supervisor: Mgr. Eva Budinská, Ph.D.

Masaryk University

Faculty of Science

Bachelor programme / field:
Experimental Biology / Mathematical Biology