• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文学位 >Improving data extraction methods for large molecular biology datasets.
【24h】

Improving data extraction methods for large molecular biology datasets.

机译：改进大分子生物学数据集的数据提取方法。

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In the past, an experiment involving a pair wise comparison normally involved one or a few dependant variables. Now, 1000s of dependent variables can be measured simultaneously in a single experiment, be it detecting genes via a microarray experiment, sequencing genomes, or detecting microbial species based on DNA fragments using molecular techniques. How we analyze such large collections of data will be a major scientific focus over the next decade. Statistical methods that were once acceptable for comparing a few conditions are being revised to handle 1000.s of experiments. Molecular biology techniques that explored 1 gene or species have evolved and are now capable of generating complex datasets requiring new strategies and ways of thinking in order to discover biologically meaningful results. The central theme of this dissertation is to develop strategies that deal with a number of issues that are present in these large scale datasets. In chapter 1, I describe a microarray analytical method that can be applied to low replicate experiments. In chapter's 2-4, the focus is how to best analyze data from ARISA (a PCR based molecular method for rapidly generating a finger print of microbial diversity). Chapter 2 focuses on qualifying ARISA data so that data will best represent its biological source, prior to further analysis. Chapter 3 focuses on how to best compare ARISA profiles to one another. Chapter 4 focuses on developing a software tool that implements the data processing and clustering strategies from chapter's 2 and 3. The findings described herein provide the scientific community with improved analytical strategies in both the microarray and ARISA research areas.
机译：过去，涉及成对比较的实验通常涉及一个或几个因变量。现在，可以在单个实验中同时测量数千个因变量，无论是通过微阵列实验检测基因，对基因组测序还是使用分子技术基于DNA片段检测微生物物种。在接下来的十年中，我们如何分析如此大量的数据将成为科学的重点。曾经可以比较几种条件的统计方法正在修订，以处理1000秒的实验。探索一种基因或物种的分子生物学技术已经发展，现在能够生成复杂的数据集，需要新的策略和思维方式才能发现具有生物学意义的结果。本文的中心主题是开发能够解决这些大规模数据集中存在的许多问题的策略。在第一章中，我描述了一种可用于低重复实验的微阵列分析方法。在第2-4章中，重点是如何最好地分析ARISA（一种基于PCR的分子方法，可快速生成微生物多样性的指纹图谱）中的数据。第2章重点介绍了合格的ARISA数据，以便在进一步分析之前，数据能最好地代表其生物来源。第3章重点介绍如何最好地比较ARISA配置文件。第4章专注于开发实现第2章和第3章中的数据处理和聚类策略的软件工具。本文描述的发现为科学界在微阵列和ARISA研究领域提供了改进的分析策略。

著录项

  • 作者

    Reid, Robert William.;

  • 作者单位

    The University of North Carolina at Charlotte.;

  • 授予单位 The University of North Carolina at Charlotte.;
  • 学科 Biology Bioinformatics.
  • 学位 Ph.D.
  • 年度 2010
  • 页码 134 p.
  • 总页数 134
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号