Please use this identifier to cite or link to this item:
http://hdl.handle.net/1942/29474
Title: | Prediction of therapy response in lung cancer patients: Optimization and evaluation of a robust 1H-NMR metabolomics protocol | Authors: | Schraepen, Kenny | Advisors: | PAULS, Liesbet ADRIAENSENS, Peter THOMEER, Michiel |
Issue Date: | 2019 | Publisher: | UHasselt | Abstract: | Metabolomics, de studie van kleine metabolieten, kan gebruikt worden om biomerkers te ontdekken. Dergelijke biomerkers leveren informatie over de biochemie van verschillende biochemische paden. Om kanker gerelateerde afwijkingen in biochemische paden te evalueren, moet een proton nucleaire magnetische resonantie (1H-NMR) spectrum in staat zijn om plasmametabolieten op een correcte en kwantificeerbare manier weer te geven. De piek posities in een 1H-NMR-spectrum zijn gevoelig aan veranderingen in het protocol. Daarom werkt deze thesis de optimalisatie van een robuust 1H-NMR-metabolomics protocol uit voor humaan bloedplasma. Bovendien worden ook multivariate statistische analyses uitgevoerd op eerder verkregen metabolomics data om te bepalen of het metabool profiel kan discrimineren tussen rokers, ex- en niet-rokers. Bij de optimalisatie worden verschillende parameters geëvalueerd zoals buffercomponenten, buffercapaciteit, plasmaconcentratie, totaal volume, temperatuur, vermogen van water onderdrukking en Carr-Purcell-Meiboom-Gill pulssequentie. De statistische analyses worden uitgevoerd in SIMCA, waarbij een model gebaseerd op rokersstatus wordt gemaakt. Dit model wordt dan getest op mogelijke confounders. De optimalisatie resulteert in een robuust 1H-NMR metabolomics protocol voor humaan bloedplasma. De multivariate statistisch analyse toont aan dat er een onderscheid kan gemaakt worden tussen rokers en ex- of niet-rokers gebaseerd op het metabool profiel. Ook zijn er geen confounders gevonden voor het rookstatus model. | Notes: | master in de industriële wetenschappen: biochemie | Document URI: | http://hdl.handle.net/1942/29474 | Category: | T2 | Type: | Theses and Dissertations |
Appears in Collections: | Master theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
d1c039c9-d528-4f4f-91a2-47141c722cdf.pdf | 6.14 MB | Adobe PDF | View/Open | |
a0d1e306-0a63-4e04-beb9-051aaf381790.pdf | 625.2 kB | Adobe PDF | View/Open |
Page view(s)
48
checked on Oct 29, 2023
Download(s)
34
checked on Oct 29, 2023
Google ScholarTM
Check
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.