Improved reconstruction of molecular networks with Gaussian graphical models

Verbeterde reconstructie van moleculaire netwerken 

Bernal Arzola draagt met zijn proefschrift bij aan de vooruitgang van statistische analyses van genexpressieprofielen met behulp van GGMs. Gaussian graphical models (GGMs) zijn (ongerichte) grafische modellen gebaseerd op partiële correlaties, waarvan de schatting regularisatie vereist wanneer de steekproefomvang kleiner is dan het aantal variabelen. De Ledoit-Wolf (LW) shrinkage is een regularisatietechniek waarbij de steekproefcovariantieschatter wordt gecombineerd met 'kunstmatige' informatie, en die op veel gebieden wordt toegepast om data te analyseren.

De belangrijkste focus van Arzola lag op het bestuderen van de eigenschappen van GGMs die zijn verkregen met de LW-shrinkage. Het uitgangspunt is dat, ondanks zijn voordelen, de shrinkagebenadering een aantal vooroordelen introduceert die niet in voldoende detail zijn bestudeerd. Deze vooroordelen hebben het potentieel om de interpretatie van de netwerkstructuur te verdoezelen en de validatie van eerdere analyses te belemmeren. In die zin kan dit proefschrift worden beschouwd als een voortzetting van het werk van Schäfer en Strimmer waarin de LW-shrinkage oorspronkelijk werd gebruikt om Gene regulatory networks (GRN) met GGMs te modelleren.

Het proefschrift is als volgt opgebouwd; Hoofdstuk 1 presenteert een test van statistische significantie voor GGMs op basis van de LW-shrinkage. Hier wordt de kansdichtheid van de ‘shrunk’ deelcorrelatie afgeleid door middel van geometrische argumenten. In Hoofdstuk 2 wordt een netwerkanalyse van (gematchte) neus- en bronchiale expressieprofielen gepresenteerd. De methode die in het vorige hoofdstuk is ontwikkeld, wordt gebruikt om te onderzoeken of expressieprofielen van neusepitheelcellen kunnen worden gebruikt als een proxy voor bronchiale epitheelcellen. Hoofdstuk 3 laat het bestaan zien van een niet-lineaire bias op de partiële correlaties die zijn verkregen met de LW-shrinkage. Deze vooringenomenheid wordt weggenomen via 'un-shrinkage'; een nieuw concept dat de partiële correlatie dereguleert. In Hoofdstuk 4 wordt de LW-shrinkage opnieuw bekeken vanuit een perspectief op dataniveau. Het doel is om de overeenkomst tussen de shrinkage gebaseeerde covariantiematrix en de dataset te onderzoeken.

CV Victor Bernal Arzola

Victor Bernal Arzola (1985) studeerde Mathematics and Interactions aan de Universiteit van Nice, Frankrijk. Zijn promotieonderzoek vond plaats aan het Groningen Research Institute of Pharmacy (GRIP) en Bernoulli Instituut (BI) van de Rijksuniversiteit Groningen. Momenteel is hij werkzaam als Data Scientist in het Centrum voor Informatie Technologie (CIT) van de Rijksuniversiteit Groningen.

Proefschrift: http://hdl.handle.net/11370/f3d8f798-47f6-49ad-90dc-9c04bc3da41e