Modelització de dades òmiques amb autoencoders
La finalitat d'aquest treball és reproduir i explorar l'ús de xarxes neuronals basades en autoencoders apilats per a la modelització de dades òmiques. Donada la seva gran dimensionalitat, per l'anàlisi de dades òmiques s'han hagut de desenvolupar noves tècniques. Els mètodes de d...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2019 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/98407 |
| Acceso en línea: | http://hdl.handle.net/10609/98407 |
| Access Level: | acceso abierto |
| Palabra clave: | autoencoder omics data deep learning dades òmiques aprenentatge profund datos ómicos aprendizaje profundo Bioinformatics -- TFM Bioinformàtica -- TFM Bioinformática -- TFM |
| Sumario: | La finalitat d'aquest treball és reproduir i explorar l'ús de xarxes neuronals basades en autoencoders apilats per a la modelització de dades òmiques. Donada la seva gran dimensionalitat, per l'anàlisi de dades òmiques s'han hagut de desenvolupar noves tècniques. Els mètodes de deep learning són unes de les eines que en els últims anys han suposat millores en el seu tractament. El treball de Xie et al. (1) mostra una superioritat d'un model de perceptró multicapa basat en autoencoders apilats (MLP-SAE) per estudiar la relació del patró de polimorfisme genètic de nucleòtids simples (SNP) i el recompte d'expressió genètica per tècniques de seqüenciació d'alt rendiment (HTSeq), respecte a altres tècniques d'anàlisis. |
|---|