Primjena strojnog učenja u metagenomici

završni rad

• Naslov (engleski): Application of machine learning in metagenomics
• Autor: Robert Tušek
• Mentor: Mirjana Domazet-Lošo (mentor)
• Član povjerenstva: Mirjana Domazet-Lošo (predsjednik povjerenstva)
• Član povjerenstva: Zdravko Galić (član povjerenstva)
• Član povjerenstva: Boris Milašinović (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2018-07-13, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Razvojem metoda shotgun sekvenciranja postoji sve više istraživanja koja se bave s karakterizacijom ljudskog mikrobioma. Mikrobiom sadrži mnoge atribute koji karakteriziraju različite bolesti. Korištenjem postotaka pojavljivanja vrsta i specifičnih taksonomskih markera provodimo istraživanje koje se temelji na strojnom učenju. Podaci su skupljeni iz osam velikih metagenomskih studija od kojih je šest studija razmatrano u ovom radu. Upotrebljavamo više različitih klasifikatora i unakrsnu validaciju kako bi provjerili potencijal za predikciju bolesti na temelju mikrobioma. Dobiveni rezultati varirali su od klasifikatora do klasifikatora, a na nekim skupovima su ostvareni bolji rezultati nego na ostalima. Na temelju rezultata izvodimo zaključke o korištenju strojnog učenja za slične studije.

Sažetak (engleski)

With the development of shotgun sequencing there is an increasing number of researches which attempt to characterize the human microbiome. The microbiome contains many features which characterize different diseases. Using species level abundances and taxonomic markers we conduct a research based on machine learning. The data was retrieved from eight large-scale metagenomic studies, six of which were used in this paper. We use different classifiers and cross validation to check the potential for disease prediction based on the microbiome. The results varied from classifier to classifier and some sets produced better results than the others. Based on the results we produce conclusions about machine learning applications for similar studies.

• Ključne riječi: bioinformatika; metagenomika; ljudski mikrobiom; strojno učenje; slučajna šuma; mreže potpornih vektora; „glasajući atributni intervali“; umjetne neuronske mreže; ROC krivulje; unakrsna provjera
• Ključne riječi (engleski): bioinformatics; metagenomics; human microbiome; machine learning; Random Forest; Support Vector Machines; Voting Feature Intervals; Artificial Neural Networks; ROC curves; cross validation
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:389839
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2019-03-14 01:44:34