prikaz prve stranice dokumenta Predviđanje genskog izražaja modelima dubokih neuronskih mreža
  Download
PDF 4.22 MB
undergraduate thesis
Predviđanje genskog izražaja modelima dubokih neuronskih mreža
2024. urn:nbn:hr:190:563193
Dokić, Mateo
University of Rijeka
Faculty of Engineering

Cite this document

Dokić, M. (2024). Predviđanje genskog izražaja modelima dubokih neuronskih mreža (Undergraduate thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:563193

Dokić, Mateo. "Predviđanje genskog izražaja modelima dubokih neuronskih mreža." Undergraduate thesis, University of Rijeka, Faculty of Engineering, 2024. https://urn.nsk.hr/urn:nbn:hr:190:563193

Dokić, Mateo. "Predviđanje genskog izražaja modelima dubokih neuronskih mreža." Undergraduate thesis, University of Rijeka, Faculty of Engineering, 2024. https://urn.nsk.hr/urn:nbn:hr:190:563193

Dokić, M. (2024). 'Predviđanje genskog izražaja modelima dubokih neuronskih mreža', Undergraduate thesis, University of Rijeka, Faculty of Engineering, accessed 09 January 2025, https://urn.nsk.hr/urn:nbn:hr:190:563193

Dokić M. Predviđanje genskog izražaja modelima dubokih neuronskih mreža [Undergraduate thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2024 [cited 2025 January 09] Available at: https://urn.nsk.hr/urn:nbn:hr:190:563193

M. Dokić, "Predviđanje genskog izražaja modelima dubokih neuronskih mreža", Undergraduate thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:190:563193

Please login to the repository to save this object to your list.
Metadata
TitlePredviđanje genskog izražaja modelima dubokih neuronskih mreža
Title (english)Prediction of gene expression by deep neural network models
AuthorMateo Dokić
MentorGoran Mauša (mentor)
Committee memberMiroslav Joler (predsjednik povjerenstva)
Committee memberGoran Mauša (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
Rijeka
Defense date and country2024-09-12, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Ovaj rad istražuje primjenu dubokih neuronskih mreža, konkretno modela Enformer i CRMnet, u predviđanju genskog izražaja, što je ključno u području bioinformatike i molekularne biologije. Predviđanje genskog izražaja ima značajne primjene u biomedicinskim znanostima, uključujući personaliziranu medicinu, identifikaciju terapeutskih meta, razvoj novih lijekova, te poboljšanje otpornosti i produktivnosti biljaka u poljoprivredi. Kroz analizu performansi ovih modela na specifičnim skupovima podataka, CRMnet se pokazao superiornim u preciznosti predviđanja na skupu podataka za kvasac, primjerice s Pearsonovim koeficijentom korelacije (R) od 0.8797, dok je Enformer postigao nižu vrijednost od 0.6130. Unatoč naprednoj arhitekturi, Enformer je pokazao ograničenja pri radu s velikim i kompleksnim skupovima podataka, kao što su DNA sekvence ljudskog i mišjeg genoma. Rad također ističe izazove s obradom i interpretacijom rezultata, posebice kod većih skupova podataka, te naglašava potrebu za daljnjom optimizacijom ovih modela kako bi se poboljšala njihova primjenjivost u različitim znanstvenim i industrijskim kontekstima.
Abstract (english)
This thesis explores the application of deep neural networks, specifically the Enformer and CRMnet models, in gene expression prediction, which is crucial in the fields of bioinformatics and molecular biology. Gene expression prediction has significant applications in biomedical sciences, including personalized medicine, the identification of therapeutic targets, drug development, and improving crop resistance and productivity in agriculture. Through the analysis of these models' performance on specific datasets, CRMnet proved to be superior in prediction accuracy on the yeast dataset, with a Pearson correlation coefficient (R) of 0.8797, while Enformer achieved a lower value of 0.6130. Despite its advanced architecture, Enformer demonstrated limitations when working with large and complex datasets, such as DNA sequences of the human and mouse genomes. The paper also highlights the challenges in processing and interpreting results, particularly with larger datasets, and emphasizes the need for further optimization of these models to improve their applicability in various scientific and industrial contexts.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:563193
Study programmeTitle: Computer Engineering
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 resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence Attribution 4.0 International (CC BY 4.0) icon
Created on2024-09-11 08:14:41