Identifikacija tipova 1D-signala dubokog učenja

diplomski rad

• Naslov (engleski): Classification of 1D-Signal Types Using Deep Learning
• Autor: Filip Floreani
• Mentor: Mile Šikić (mentor)
• Član povjerenstva: Mile Šikić (predsjednik povjerenstva)
• Član povjerenstva: Damir Seršić (član povjerenstva)
• Član povjerenstva: Krešimir Križanović (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2019-07-04, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

De-novo sastavljanje genoma proces je temeljen na preklapanju i analizi kratkih genetskih očitanja. Uslijed raznolikih tehničkih izazova, određene vrste lažnih očitanja i preklapanja mogu također biti sintetizirane, što uvelike otežava is- pravno sastavljanje originalne sekvence. Jedna od metoda za otkrivanje takvih preklapanja je i pretvorba istih u 1D-signal, pomoću kojih se onda može jed- nostavnije zaključiti koji tip preklapanja predstavlja. U okviru ovog rada, pred- stavljeno je nekoliko metoda duboko učenja za klasifikaciju ovih signala, točnije 1D-konvolucijske mreže, povratne mreže, kao i primjena autoenkodera. Dodatno, prikazana je i njihova primjena na stvarnim podacima, kao i usporedba usp- ješnosti.

Sažetak (engleski)

The de novo genome assembly process is based on overlapping and analyzing short reads of genetic information. Due to various technical challenges, certain types of false overlaps can also be generated, which greatly impedes successful reconstruction. One of the methods for detecting such overlaps is by generating a 1D-signal for each read, which can then be used to determine its exact overlap type. This thesis proposes several deep learning methods for classifying these signals, including 1D-convolutional & recurrent networks, as well as autoencoders. A detailed comparison of their application on real-world data is also included.

• Ključne riječi: bioinformatika; sastavljanje genoma; lažna preklapanja; duboko učenje
• Ključne riječi (engleski): bioinformatics; sequence assembly; false overlaps; deep learning
• Jezik: engleski
• URN:NBN: urn:nbn:hr:168:825125
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2020-01-07 17:56:17