Detailansicht
Evaluation of methods for the identification of gene co-expression networks in malignant pleural mesothelioma
Markus Riedl
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Bioinformatik
Betreuer*in
Ivo Hofacker
DOI
10.25365/thesis.81011
URN
urn:nbn:at:at-ubw:1-15151.78715.741327-8
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Das maligne Pleuralmesotheliom (MPM) ist eine seltene, aber aggressive Krebsart, welche durch schlechte Prognose und Resistenzen gegenüber herkömmlichen Therapien charakterisiert ist. Um die den Transkriptionsmustern von MPM zugrunde liegenden Mechanismen besser zu verstehen, wird in dieser Masterarbeit die Gen-Koexpressionsnetzwerkanalyse eingesetzt, um biologisch relevante Gen-Module zu identifizieren, die mit klinischen Merkmalen assoziiert sind. Zwei Methoden zur Identifikation von Modulen—ICA und WGCNA—wurden systematisch untersucht. Nach einer Parameteroptimierung anhand bekannter regulatorischer Module und biologischer Signalwege konnten mit beiden Methoden Gen-Cluster mit signifikanten Korrelationen zu klinischen Merkmalen identifiziert werden. WGCNA erzielte hierbei bessere Ergebnisse als ICA in der Modulzugehörigkeit der einzelnen Gene, in der biologischen Homogenität sowie in der spezifischeren funktionellen Charakterisierung der Module in Genontologie und WikiPathways Gensets. Besonders hervorzuheben sind funktionelle Assoziationen von Gen-Modulen mit dem Hippo-Signalweg, der Zellzykluskontrolle und DNA-Replikation sowie der extrazellulären Matrix. Diese Ergebnisse unterstreichen den Wert der Gen-Koexpressionsnetzwerkanalyse als wertvollen Ansatz zur Aufdeckung zentraler Transkriptionsmuster bei MPM. Insbesondere wird WGCNA als robuste und biologisch interpretierbare Methode zur Gen-Koexpressionsnetzwerkanalyse bei MPM hervorgehoben. Darüber hinaus unterstreicht die Arbeit die Bedeutung einer systematischen Parameterbewertung bei maschinellen Lernverfahren für Netzwerkanalysen.
Abstract
(Englisch)
Malignant Pleural Mesothelioma (MPM) is a rare but aggressive cancer arising from the mesothelial cells lining the pleural cavity. It is characterised by poor prognosis, resistance to conventional therapies, and a complex molecular landscape that remains incompletely understood. To better elucidate the transcriptional patterns underlying MPM, this thesis applies gene co-expression network analysis as a means to identify biologically meaningful gene modules associated with clinical traits. Two module detection methods—Independent Component Analysis (ICA) and Weighted Gene Correlation Network Analysis (WGCNA)—were systematically evaluated. Following parameter optimisation using known regulatory modules and biological pathways, both methods identified gene clusters with significant correlations with clinical traits. However, WGCNA outperformed ICA, producing modules with higher module membership, greater biological homogeneity, and more specific functional enrichment, as demonstrated through analysis of Gene Ontology (GO) terms and WikiPathways. Notably, significant functional enrichments within gene modules included associations with the Hippo pathway, cell cycle control and DNA replication as well as the extracellular matrix. These findings establish gene co-expression network analysis as a valuable approach for uncovering key transcriptional patterns in MPM. More specifically, they highlight WGCNA as a robust and biologically interpretable method for gene co-expression analysis in MPM, while underscoring the importance of systematic parameter assessment in machine learning-based network analysis methods.
Schlagwörter
Schlagwörter
(Deutsch)
Transkriptomik Gen-Koexpression Krebs Mesotheliom
Schlagwörter
(Englisch)
Transcriptomics Gene co-expression Cancer Mesothelioma
Autor*innen
Markus Riedl 
Haupttitel (Englisch)
Evaluation of methods for the identification of gene co-expression networks in malignant pleural mesothelioma
Publikationsjahr
2026
Umfangsangabe
xiii, 62 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Ivo Hofacker
AC Nummer
AC17850009
Utheses ID
79596
Studienkennzahl
UA | 066 | 875 | |