50 research outputs found
Merging 1D and 3D genomic information: Challenges in modelling and validation
No full textGenome organization in eukaryotes during interphase stems from the delicate balance between non-random correlations present in the DNA polynucleotide linear sequence and the physico/chemical reactions which shape continuously the form and structure of DNA and chromatin inside the nucleus of the cell. It is now clear that these mechanisms have a key role in important processes like gene regulation, yet the detailed ways they act simultaneously and, eventually, come to influence each other even across very different length-scales remain largely unexplored. In this paper, we recapitulate some of the main results concerning gene regulatory and physical mechanisms, in relation to the information encoded in the 1D sequence and the 3D folding structure of DNA. In particular, we stress how reciprocal crossfeeding between 1D and 3D models may provide original insight into how these complex processes work and influence each other. This article is part of a Special Issue entitled: Transcriptional Profiles and Regulatory Gene Networks edited by Dr. Dr. Federico Manuel Giorgi and Dr. Shaun Mahony
Comparison of Source Attribution Methodologies for Human Campylobacteriosis
No full textCampylobacter spp. are the most common cause of bacterial gastrointestinal infection in humans both in Denmark and worldwide. Studies have found microbial subtyping to be a powerful tool for source attribution, but comparisons of different methodologies are limited. In this study, we compare three source attribution approaches (Machine Learning, Network Analysis, and Bayesian modeling) using three types of whole genome sequences (WGS) data inputs (cgMLST, 5-Mers and 7-Mers). We predicted and compared the sources of human campylobacteriosis cases in Denmark. Using 7mer as an input feature provided the best model performance. The network analysis algorithm had a CSC value of 78.99% and an F1-score value of 67%, while the machine-learning algorithm showed the highest accuracy (98%). The models attributed between 965 and all of the 1224 human cases to a source (network applying 5mer and machine learning applying 7mer, respectively). Chicken from Denmark was the primary source of human campylobacteriosis with an average percentage probability of attribution of 45.8% to 65.4%, representing Bayesian with 7mer and machine learning with cgMLST, respectively. Our results indicate that the different source attribution methodologies based on WGS have great potential for the surveillance and source tracking of Campylobacter. The results of such models may support decision makers to prioritize and target interventions
Effectiveness of Semi-Supervised Active Learning in Automated Wound Image Segmentation
No full textAppropriate wound management shortens the healing times and reduces the management costs, benefiting the patient in physical terms and potentially reducing the healthcare system’s economic burden. Among the instrumental measurement methods, the image analysis of a wound area is becoming one of the cornerstones of chronic ulcer management. Our study aim is to develop a solid AI method based on a convolutional neural network to segment the wounds efficiently to make the work of the physician more efficient, and subsequently, to lay the foundations for the further development of more in-depth analyses of ulcer characteristics. In this work, we introduce a fully automated model for identifying and segmenting wound areas which can completely automatize the clinical wound severity assessment starting from images acquired from smartphones. This method is based on an active semi-supervised learning training of a convolutional neural network model. In our work, we tested the robustness of our method against a wide range of natural images acquired in different light conditions and image expositions. We collected the images using an ad hoc developed app and saved them in a database which we then used for AI training. We then tested different CNN architectures to develop a balanced model, which we finally validated with a public dataset. We used a dataset of images acquired during clinical practice and built an annotated wound image dataset consisting of 1564 ulcer images from 474 patients. Only a small part of this large amount of data was manually annotated by experts (ground truth). A multi-step, active, semi-supervised training procedure was applied to improve the segmentation performances of the model. The developed training strategy mimics a continuous learning approach and provides a viable alternative for further medical applications. We tested the efficiency of our model against other public datasets, proving its robustness. The efficiency of the transfer learning showed that after less than 50 epochs, the model achieved a stable DSC that was greater than 0.95. The proposed active semi-supervised learning strategy could allow us to obtain an efficient segmentation method, thereby facilitating the work of the clinician by reducing their working times to achieve the measurements. Finally, the robustness of our pipeline confirms its possible usage in clinical practice as a reliable decision support system for clinicians
Glomerular basement membrane thickness estimation and stratification via active semi-supervised learning model
No full textIntroduction: The measure of Glomerular Basement Membrane (GBM) thickness is used as diagnostic criteria for kidney glomerular diseases. The GBM thickness measurement, a time-consuming task, is performed by expert pathologists on transmission electron microscopy (TEM) images, therefore, it is affected by subjectivity and reproducibility issues.
Methods: Here we introduce a fully automated pipeline for the GBM segmentation and successive thickness estimation, starting from TEM images. This method is based on an active semi-supervised learning training procedure of a convolutional neural network model. Starting from the areas automatically identified by the model, we provide a robust measurement of membrane thickness using pixels distance matrix and computer vision techniques. Using these values, we trained a machine learning model to automatically determine the GBM thickness. To verify the accuracy of the method, we compared the predicted results with the full iconographic materials and diagnostic record reports from 42 renal biopsies having normal-thick (n. 21), thin- (n. 10), thick-GBM (n. 11).
Results: The obtained segmentations were used for the automated estimation of GBM thickness via computer vision algorithms and compared with manual measurements, obtaining a correlation of Pearson’s R2 of 0.85. The GBM thickness was stratified into 3 classes, namely normal, thin, thick with a 0.63 Matthews correlation coefficient and a 0.76 accuracy.
Conclusion: The proposed pipeline obtained state-of-the-art performance in GBM segmentation, proving its robustness under image variations, such as magnification, contrast, and complex geometrical shapes. Automated measures could assist clinicians in standard clinical practice speeding up routine procedures with high diagnostic accuracy
DNA sequence analysis: a statistical characterization of dinucleotides interdistances across multiple organisms
No full textIn questo lavoro abbiamo scelto un approccio basato sulle interdistanze per studiare le proprietà statistiche dei diversi dinucleotidi, in quanto riteniamo che vi sia una relazione tra la posizione che essi occupano nel genoma e la funzione biologica che essi svolgono. Sono stati perciò studiati 18 organismi modello appartenenti a diverse classi e dai risultati è emersa una netta differenza tra le distribuzioni dei CG dei mammiferi rispetto a quelle dei non CG; diversamente, nel caso dei non mammiferi la differenza è risultata essere più lieve e in alcuni casi nulla. In particolare, è emerso che le distribuzioni CG dei mammiferi risultano essere ben descritte da una distribuzione gamma, mentre nel caso dei non mammiferi, questo andamento è stato ritrovato solo in pochi casi. Si è visto inoltre che i CG dei mammiferi risultano essere in numero inferiore rispetto ai non CG, perciò è stato elaborato un modello nullo che provasse a rendere conto di questa discrepanza, imputandone la causa a mutazioni casuali di una singola base azotata. Il modello è stato applicato ai dinucleotidi di Homo sapiens e dai risultati è emerso che solo le distribuzioni AT e TA risultano simili a quella dei CG e che il processo è irreversibile. Infine si è visto che rappresentando il parametro di scala della distribuzione gamma, ricavato dal fit, in funzione del paramtero di forma, è stato possibile distringuere le diverse classi di organismi, sia per i dati di partenza che per un set più ampio; inoltre, i risultati mostrano l'esistenza di una relazione lineare tra il parametro di scala e la percentuale di CG presenti nella sequenza analizzata, se rappresentati in scala doppio logaritmica. Lo studio svolto ha dunque confermato l'esistenza di una relazione tra la posizione occupata dai CG nei genomi e la funzione biologica da essi svolta
Studio delle interdistanze dei dinucleotidi CG e TA nei cromosomi umani
No full textIl lavoro svolto in questa tesi si colloca nell’ambito delle analisi statistiche delle sequenze di DNA. In particolare sono state studiate le distribuzioni delle interdistanze dei dinucleotidi CG e TA all’interno del genoma umano.
La prima parte dello studio si é occupata di effettuare una valutazione della qualitá dei dati utilizzati per le analisi. Questo perché, all’interno dei vari cromosomi che compongono il DNA, sono presenti alcuni nucleotidi che non sono stati correttamente sequenziati e le cui basi azotate sono per il momento sconosciute. É emerso che tali nucleotidi, indicati con la lettera N, sono presenti in grandi blocchi e localizzati alle estremitá ed al centro dei vari cromosomi. Si é osservato che, nonostante le numerose occorrenze, questi nucleotidi possono essere trascurati e che l’effetto della loro rimozione dalle sequenze di DNA é statisticamente irrilevante.
La seconda parte delle analisi é riservata allo studio delle distribuzioni delle interdistanze del dinucleotide CG. Quello che si é visto é che tali distribuzioni sono ben descritte da una legge di potenza traslata con cutoff esponenziale. I parametri, ottenuti dal fit, assumono valori simili ad eccezione dei cromosomi 16, 17, 19, 20, 22 e Y. Particolare attenzione é stata riposta sui valori anomali del parametro del cutoff esponenziale. Nel tentativo di spiegare l’andamento di tali valori, é stata formulata un’ipotesi basata su di un possibile legame tra il parametro del cutoff esponenziale e la densitá del dinucleotide CG all’interno dei vari cromosomi. L’ultima sezione é dedicata invece allo studio delle distribuzioni delle interdistanze del dinucleotide TA. Si é visto nel cromosoma 1 che questo dinucleotide é quello che ha un andamento piú simile al dinucleotide CG. Tali distribuzioni sono state poi fittate con la legge di potenza traslata con cutoff esponenziale e con una legge di potenza traslata senza cutoff ed é emerso che sono meglio descritte dalla seconda
Analisi dei residui di un fit mediante metodi basati su random walk
No full textLo scopo del lavoro svolto è studiare la bontà di alcuni fit eseguiti su distribuzioni di punti generati tramite MATLAB. Si vuole infatti capire se è possibile, tramite metodi basati su random walk applicati ai residui dei fit, identificare deviazioni sistematiche rispetto alle distribuzioni sperimentali, le quali non sono misurabili attraverso i classici indicatori di bontà quali r^2 o root mean square error. Si sono dunque svolti dei test su dati simulati e si è studiato come variano i parametri associati al random walk se vengono cambiati il numero di dati generati, il rumore applicato ai dati e l'intervallo di generazione degli stessi. Si è compreso che la variazione dei parametri associati al random walk non è significativa in nessuno dei tre casi se i dati sono fittati con la funzione corretta. Si è poi studiato come si trasforma il random walk per un fit eseguito con una funzione errata. Si è osservato che per dati con rumore piccolo lo studio dei residui si dimostra un indicatore accurato della deviazione del fit, mostrando la presenza di grandi sequenze di punti discostati dal fit, mentre perde di efficacia per valori di rumore molto grandi, dove lo scostamento dal fit risulta ridotto dal rumore e dunque i risultati sono equivalenti a quelli di un fit corretto
Simulazione e studio del modello Broken stick per l'analisi di sequenze geniche
No full textAlcuni risultati ottenuti studiando le proprietà statistiche dei dinucleotidi all'interno del DNA umano, mostrano che l'andamento delle distribuzioni delle interdistanze dei dinucleotidi TA è ben descritto da una legge di potenza. È stato ideato un modello in grado di generare un andamento di questo tipo e che potrebbe rendere conto del meccanismo generativo delle distribuzioni osservate all'interno della sequenza del DNA umano. Questo risulta essere una variante del modello Broken stick. Scopo di questa tesi è confrontare il modello Broken stick con la sua variante, che chiameremo Broken stick con memoria, in modo da valutarne analogie e differenze. Si sono implementati i due modelli ed è stata condotta un'analisi variando il numero di tagli iniziali e il numero di iterazioni, tenendo fisso il valore della probabilità di taglio. L'implementazione del modello ha messo in luce i limiti computazionali del programma utilizzato, Matlab, e ha mostrato che non è banale fittare le distribuzioni che si ottengono. Tagliando casualmente i segmenti si raggiunge un limite superato il quale il calcolatore non riesce più a distinguere gli estremi del segmento, generando così segmenti di lunghezza nulla. In questo modo non è possibile realizzare il modello così come è stato pensato, cioè in un dominio continuo in cui è possibile tagliare il segmento infinite volte. Di conseguenza la scelta delle condizioni iniziali non può essere arbitraria. Si sono studiate generazioni che hanno prodotto circa 1'000'000 di segmenti e si è visto che l'andamento descritto dai due modelli, a parità di condizioni iniziali, risulta differente. Il tipo di taglio iniziale determina una traslazione della distribuzione in scala log-log. Il modello Broken stick con memoria genera un andamento riconducibile ad una legge di potenza lungo tutto il range in cui viene rappresentata la distribuzione, a differenza di quello semplice che presenta effetti di cutoff sia in intervalli piccoli che grandi
Analisi spettrale di matrici Hi-C
No full textLe matrici Hi-C rappresentano uno strumento fondamentale per mappare le interazioni spaziali tra regioni del genoma linearmente distanti ma in prossimità all'interno del nucleo cellulare. Sono matrici ad alta dimensionalità che consentono di esaminare la struttura tridimensionale della cromatina e di comprendere meglio il ruolo dell'organizzazione spaziale nella regolazione dei processi genetici. Questo studio di tesi si propone di esaminare tre matrici Hi-C da un punto di vista spettrale. I dati presi in esame riguardano la linea cellulare sana GM12878 e due linee cellulari anormali, KBM7 e T47D. L'analisi sarà condotta utilizzando un approccio a network, con l'obiettivo di caratterizzare le matrici anche nel contesto della Random Matrix Theory. Questo ci consentirà di valutare il grado di casualità delle interazioni genomiche e di stabilire eventuali correlazioni con lo stato biologico delle cellule. Ci proponiamo di identificare eventuali differenze e anomalie spettrali tra il DNA sano e quello affetto da patologie, nonché di individuare eventuali riarrangiamenti spaziali della sequenza di DNA, noti come aberrazioni, analizzando solamente le relative matrici di adiacenza. I risultati evidenziano differenze significative negli autovalori massimali e nel clustering dello spettro, suggerendo una maggiore connessione globale nel network sano. Ma emergono differenze significative soprattutto nella densità spettrale del bulk che mostra una netta divisione tra linea sana e linee aberranti. In secondo luogo, il calcolo dell'Inverse Participation Ratio, unitamente al test di Shapiro-Wilk per tutti gli autovettori ha evidenziato una componente casuale che seppur comune alle 3 reti, risulta più marcata nel network sano. Lo studio ha inoltre portato alla luce la correlazione negativa tra IPR e parametro statistico W associato agli autovettori delle matrici, mostrando come sia necessario considerare anche autovettori relativi ad autovalori piccoli, solitamente trascurati
Hi-C data spectral analysis: SynHi-C maps for a case study with ShRec3D algorithm and VR
No full textHi-C matrices are milestones for the qualitative and at the same time quantitative study of genome folding, its organization into chromosomal territories, compartments and topological domains. Here we introduce and discuss the synHi-C, a method for synthetic Hi-C data production. It arises from the possibility of characterizing the signal-to-noise ratio starting from a spectral analysis on different types of Hi-C data at different resolutions (1 Mb and 100 kb). Through the spectral analysis, the signal component has been identified, consisting of isolated and scattered eigenvalues even at a great distance from the origin, and the noise component, which follows the Wigner's semicircle law centered in zero, identified through the simulation of random symmetric matrices. By adding the essential matrix (essHi-C) consisting of the sum of the projectors associated to the signal component, with the one reconstructed starting from the projectors of the random component after an eigenvalues reshuffling, it is possible to obtain a potentially a vast amount of synthetic matrices. After testing the spectral analysis on the gold standard cell line GM12878, this innovative method has been applied to a real case study consisting of two cases (235 and 295) of a rare prion disease and two controls (LM and MB), demonstrating how not only the intrinsic biological properties of the Hi-C maps, given by the essHi-C component, are enhanced, but also that the statistical properties of the introduced fluctuations are unbiased, reflecting the non-specific component. The validation of these results has been obtained through different methods including the use of scatter plots between synHi-C and original matrices to identify their correlation, the ShRec3D algorithm to verify the coherence between the spatial folding structures of the chromatin after a proper Procrustes analysis and finally through their visualization in Blender and the Virtual Reality (VR) 3D simulated environment inspection
