Primjena strojnog učenja u određivanju sastava crijevnog mikrobioma specifičnog za osobe s autističnim spektrom poremećaja

undergraduate thesis

• Title (english): Application of machine learning for detecting gut microbiota composition in persons with autism spectrum disorder
• Author: Frane Batagelj
• Mentor: Mirjana Domazet-Lošo (mentor)
• Committee member: Mirjana Domazet-Lošo (predsjednik povjerenstva)
• Committee member: Krešimir Fertalj (član povjerenstva)
• Committee member: Vedran Mornar (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2021-07-05, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Dijagnoza poremećaja iz spektra autizma kod djece često je popraćena gastrointestinalnim problemima. Korištenjem metagenomskih podataka o mikrobiomu osoba oboljelih od poremećaja iz spektra autizma provedeno je istraživanje temeljeno na strojnom učenju o predikciji poremećaja pomoću mikrobioma. Korišteni podaci sastoje se od dva skupa podataka, od kojih se jedan skup odnosi samo na osobe sa simptomima konstipacije. Koristio sam 5 algoritama strojnog učenja, zajedno s 4 algoritma odabira značajki. Za provjeru rezultata koristio sam unakrsnu validaciju. Dobiveni rezultati ovise o izboru klasifikatora i metodi odabira značajki, ali generalno daju dobra predviđanja. Na temelju odabira značajki odredio sam i bakterijske vrste koje najbolje predviđaju poremećaj iz spektra autizma. U konačnici sam na temelju dobivenih rezultata i značajki izveo zaključke o uspješnosti algoritama te potencijalu za daljnje istraživanje.

Abstract (english)

The diagnosis of autism spectrum disorder in children is often accompanied by gastrointestinal symptoms. Using metagenomic data on the microbiome of individuals with autism spectrum disorders, I conducted research based on machine learning prediction of the disorder using the microbiome. The data used consist of two datasets, one of which relates only to persons with constipation symptoms. I applied 5 machine learning algorithms, along with 4 feature selection algorithms. I used cross-validation methods to test the results. The results obtained depend on the classifier and the feature selection method, but generally give good predictions. I determined specific bacterial species that best predict autism spectrum disorders based on feature selections. Finally, based on obtained results and determined features, I drew conclusions about the success of machine learning algorithms and the potential for future research.

• Keywords: metagenomika; strojno učenje; poremećaji iz spektra autizma; slučajna šuma; glasajući atributni intervali; logistička regresija; naivni Bayes; Bayesova mreža; k-najbližih susjeda; mikrobiom; odabir značajki
• Keywords (english): metagenomics; machine learning; autism spectrum disorders; Random Forest; Voting Feature Intervals; Logistic Regression; Naive Bayes; Bayes Network; k-Nearest Neighbours; microbiome; feature selection
• Language: croatian
• URN:NBN: urn:nbn:hr:168:926881
• Study programme: Title: Computing; Study programme type: university; Study level: undergraduate; Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2023-01-14 20:04:34