Musculoskeletal side effects of aromatase inhibitors treatment in women with breast cancer

Abstract

New high-throughput behavioral systems enable the recording of continuous behavioral sequences with an unprecedented richness of signals and a deep temporal resolution. Automated systems offer neuroscience the opportunity to tackle in a new way the old question of how the brain orchestrates behavior and ultimately understand brain function itself, however, they accumulate large amounts of data leading to what is being termed Big Behavioral Data. The manipulation, analysis and contextualization of these data to obtain useful biological insights is not a trivial problem. This thesis presents Pergola, a computational framework to comprehensively analyze spontaneous longitudinal behaviors. Pergola provides access to a large set of mature genomic bioinformatics tools for the analysis and visualization of continuous behavioral recordings. I also explored multidimensional analysis techniques to help reducing the huge spatio-temporal dimensionality derived from behavioral recordings, and the high variability associated to all behavioral paradigms. This problem is addressed adapting Principal Component Analysis (PCA) for statistical inference on complex behaviors such as the recognition of learning strategies.

Els nous sistemes d’alt rendiment per l’estudi del comportament permeten el enregistrement de senyals continues de comportament amb una riquesa de senyals i una resolució temporal sense precedents. Els sistemes automàtics ofereixen a la neurociència la oportunitat d’abordar d’una nova manera la vella qüestió de com el cervell orquestra el comportament i finalment entendre la pròpia funció cerebral, però a la vegada acumulen grans quantitats de dades, el que s’ha vingut a anomenar Big Behavioral Data. La manipulació, anàlisis i contextualització d’aquestes enormes quantitats de dates per a obtenir coneixements biològics útils no és un problema trivial. Aquesta tesi presenta Pergola, un marc computacional per analitzar exhaustivament els comportaments espontanis longitudinals. Pèrgola ofereix accés a un ampli conjunt d'eines madures de la bioinformàtica genòmica que poden ser usades per a l'anàlisi i visualització d'enregistraments contínues de comportament. També he explorat tècniques d'anàlisi multidimensionals per ajudar a reduir l'enorme dimensió espai-temporal derivada dels enregistraments de comportament, i l'alta variabilitat associada a tots els paradigmes de comportament. He adreçat aquest problema mitjançant l'Anàlisi de Components Principals (PCA) per la inferència estadística de comportaments complexos com per exemple, el reconeixement de les estratègies d'aprenentatge.