Your browser does not support JavaScript!

Αρχική    Αναζήτηση  

Αποτελέσματα - Λεπτομέρειες

Εντολή Αναζήτησης : Συγγραφέας="Τζιρίτας"  Και Συγγραφέας="Γεώργιος"

Τρέχουσα Εγγραφή: 2 από 12

Πίσω στα Αποτελέσματα Προηγούμενη σελίδα
Επόμενη σελίδα
Προσθήκη στο καλάθι
[Προσθήκη στο καλάθι]
Κωδικός Πόρου 000434163
Τίτλος Learning biologically interpretablelLatent representations from gene expression data
Άλλος τίτλος Μαθαίνοντας βιολογικά ερμηνεύσιμες κρυφές αναπαραστάσεις από δεδομένα γονιδιακών εκφράσεων
Συγγραφέας Καραγιαννάκη, Ιουλία Ε.
Σύμβουλος διατριβής Τσαμαρδινός, Ιωάννης
Μέλος κριτικής επιτροπής Τζιρίτας, Γεώργιος
Πανταζής, Γιάννης
Περίληψη Τα δεδομένα γονιδιακής έκφρασης είναι κατά κύριο λόγο πολυδιάστατα με πολύ μικρό αριθμό δειγμάτων. Αυτό οδηγεί σε στατιστικές και μεθοδολογικές προκλήσεις, οι οποίες πρέπει να αντιμετωπιστούν για την περεταίρω ανάλυση και κατανόηση των υποκείμενων βιολογικών μηχανισμών που υπάρχουν σε δεδομένα αυτού του τύπου. Γι΄ αυτό το σκοπό, έχουν προταθεί μέθοδοι μείωσης διαστάσεων, οι οποίες μαθαίνουν ένα χώρο χαμηλότερης διάστασης (κρυφός διανυσματικός χώρος) που αποτελείται από νέες μεταβλητές και αναπαριστούν τα αρχικά δεδομένα ως άθροισμα αυτών (κρυφές αναπαραστάσεις). Η προβολή των αρχικών δεδομένων στον κρυφό διανυσματικό χώρο συμπιέζει τα δεδομένα, ενώ διατηρεί τη σημαντική τους πληροφορία και μειώνει το θόρυβο. Οι κλασσικές τεχνικές μείωσης διαστάσεων, όπως η ανάλυση κυρίων συνιστωσών (PCA), βρίσκουν κρυφές αναπαραστάσεις οι οποίες δεν είναι βιολογικά ερμηνεύσιμες. Για την καλύτερη βιολογική ερμηνεία, έχουν προταθεί νέες μέθοδοι οι οποίες βρίσκουν αραιές κρυφές αναπαραστάσεις. Συγκεκριμένα, οι νέες μεταβλητες μπορούν να αναπαρασταθούν ως γραμμικός συνδιασμός μικρού πλήθους των αρχικών μοριακών ποσοτήτων. ΄Ομως και πάλι η ερμηνεία των αραιών κρυφών αναπαραστάσεων δεν είναι πλήρως κατανοητή, διότι οι ήδη υπάρχουσες τεχνικές μαθαίνουν αραιές κρυφές αναπαραστάσεις, οι οποίες δεν αντιστοιχούν άμεσα στα ήδη γνωστά βιολογικά μονοπάτια ή σε άλλα γνωστά σύνολα γονιδίων. Σε αυτή την εργασία, θα παρουσιάσουμε μία νέα τεχνική δημιουργία νέων μεταβλητών και μείωση διαστάσεων που ονομάζεται Pathway Activity Score Learning (PASL). Η βασική καινοτομία της μεθόδου PASL είναι ότι ο κρυφός διανυσματικός χώρος που επιστρέφει, είναι βιολογικά ερμηνεύσιμος καθώς εφαρμόζονται περιορισμοί έτσι ώστε να αντιστοιχεί σε γνωστά βιολογικά μονοπάτια. Ο έλεγχος της ορθότητας της μεθόδου γίνεται τόσο σε συνθετικά, όσο και σε πραγματικά δεδομένα. Δείχνουμε ότι η μέθοδος PASL διατηρεί την προβλεπτική ικανότητα των αρχικών δεδομένων. Επίσης η εύρεση διαφορικά εκφραζόμενων βιολογικών μονοπατιών δίνει επιπρόσθετη πληροφορία σε αναλύσεις εμπλουτισμού γονιδίων.
Φυσική περιγραφή vi, 49 σ. : σχεδ., πιν., εικ. ; 30 εκ.
Γλώσσα Αγγλικά
Θέμα Dimensionality reduction
Disease classification
Κατηγοριοποίηση ασθενειών
Μείωση διαστάσεων
Ημερομηνία έκδοσης 2020-11-27
Συλλογή   Σχολή/Τμήμα--Σχολή Θετικών και Τεχνολογικών Επιστημών--Τμήμα Επιστήμης Υπολογιστών--Μεταπτυχιακές εργασίες ειδίκευσης
  Τύπος Εργασίας--Μεταπτυχιακές εργασίες ειδίκευσης
Μόνιμη Σύνδεση https://elocus.lib.uoc.gr//dlib/1/0/b/metadata-dlib-1606205109-380105-17844.tkl Bookmark and Share
Εμφανίσεις 535

Ψηφιακά τεκμήρια
No preview available

Κατέβασμα Εγγράφου
Προβολή Εγγράφου
Εμφανίσεις : 8