Laimighofer, Michael
[Author]
;
Theis, Fabian J. ( )
[Contributor];
Theis, Fabian J. ( );Czado, Claudia (Prof., Ph.D.);Schulze, Matthias
[Contributor]
Statistical learning for prediction of Type 1 Diabetes using clinical risk factors and omics data ; Statistisches Lernen zur Vorhersage von Typ 1 Diabetes mithilfe von klinischen Risikofaktoren und omics Daten
You can manage bookmarks using lists, please log in to your user account for this.
Media type:
Doctoral Thesis;
E-Book;
Electronic Thesis
Title:
Statistical learning for prediction of Type 1 Diabetes using clinical risk factors and omics data ; Statistisches Lernen zur Vorhersage von Typ 1 Diabetes mithilfe von klinischen Risikofaktoren und omics Daten
Contributor:
Laimighofer, Michael
[Author]
imprint:
Technical University of Munich; Technische Universität München, 2018-10-30
Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
In this thesis we use statistical learning approaches to identify novel markers for the pathogenesis of type 1 diabetes (T1D) and to develop new risk models with reliable prediction accuracy and feature selection. For this we develop an algorithm for high-dimensional survival data using a repeated nested cross-validation approach to obtain a sparse set of features along with an unbiased prediction accuracy estimate. By adapting and applying this approach in a proteomics study, we establish two sets of biomarkers predicting a pre-T1D stage and the progression to T1D onset. Using transcriptomics data, we present an approach to identify gene expression differences in a heterogeneous, longitudinally measured, high-dimensional dataset with a tailored generalized additive mixed model. Here, we identify a coherent molecular pattern between a T1D risk factor, Cesarean section and the development of autoantibodies. ; In dieser Thesis wird statistisches Lernen verwendet, um damit neue Marker der Parthogenese von Typ 1 Diabetes (T1D) zu erkennen, und außerdem um damit neue Risikomodelle zu entwickeln, die eine zuverlässige Vorhersagegüte und Variablenselektion liefern. Dazu entwickeln wir eine Methode für hochdimensionale Überlebenszeitdaten, die, unter der Verwendung von wiederholter und geschachtelter Kreuzvalidierung, ein kleines Set an Variablen und eine verlässliche Abschätzung der Prädiktion erzeugt. In einer Anwendung dieser Methode an proteomischen Daten, werden zwei Markersets identifiziert, die einerseits eine Vorhersage einer diabetischen Vorstufe und andrerseits die Prädiktion der Progressionszeit zulässt. Unter der Verwendung eines Transkriptom-Datensatzes, zeigen wir einen weiteren Ansatz mit dem longitudinale Genexpressionsunterschiede bei per Kaiserschnitt geborenen Kindern erkannt werden. Dabei verwenden wir ein maßgeschneidertes generalisiertes, additives, gemischtes Modell. In dieser Anwendung können wir auch eine molekulare Verbindung auf Transkriptionsebene zwischen dem Risikofaktor für T1D ...