search query: @keyword gene expression / total: 13
results-list
reference: 9 / 13
« previous | next »
Author:Parkkinen, Juuso
Title:Generative Probabilistic Models of Biological and Social Network Data
Generatiivisia todennäköisyysmalleja biologiselle ja sosiaaliselle verkkodatalle
Publication type:Master's thesis
Publication year:2008
Pages:ix + 61      Language:   eng
Department/School:Elektroniikan, tietoliikenteen ja automaation tiedekunta
Main subject:Informaatiotekniikka   (T-61)
Supervisor:Kaski, Samuel
Instructor:Sinkkonen, Janne
Electronic version URL: http://urn.fi/URN:NBN:fi:aalto-201203071335
OEVS:
Electronic archive copy is available via Aalto Thesis Database.
Instructions
close

Reading digital theses in the closed network of the Aalto University Harald Herlin Learning Centre

In the closed network of Learning Centre you can read digital and digitized theses not available in the open network.

The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/

You can read theses on the Learning Centre customer computers, which are available on all floors.

Logging on to the customer computers

  • Aalto University staff members log on to the customer computer using the Aalto username and password.
  • Other customers log on using a shared username and password.

Opening a thesis

  • On the desktop of the customer computers, you will find an icon titled:

    Aalto Thesis Database

  • Click on the icon to search for and open the thesis you are looking for from Aaltodoc database. You can find the thesis file by clicking the link on the OEV or OEVS field.

Reading the thesis

  • You can either print the thesis or read it on the customer computer screen.
  • You cannot save the thesis file on a flash drive or email it.
  • You cannot copy text or images from the file.
  • You cannot edit the file.

Printing the thesis

  • You can print the thesis for your personal study or research use.
  • Aalto University students and staff members may print black-and-white prints on the PrintingPoint devices when using the computer with personal Aalto username and password. Color printing is possible using the printer u90203-psc3, which is located near the customer service. Color printing is subject to a charge to Aalto University students and staff members.
  • Other customers can use the printer u90203-psc3. All printing is subject to a charge to non-University members.
Location:P1 Ark S80     | Archive
Keywords:Bayesian inference
functional module
gene expression
interaction component model
network data
protein interaction
relational data
Bayesilainen päättely
geeniekspressio
proteiinien vuorovaikutus
relationaalinen data
toiminnallinen moduuli
verkkodata
vuorovaikutuskomponenttimalli
Abstract (eng):Many complex systems can be represented as networks in which nodes are connected with edges.
In cells, interactions between molecules, such as proteins, form a network, and social systems can consist of relationships between individual actors.
Network analysis has developed from early studies of relationships between a small group of people to the analysis of huge complex networks, such as communication networks like Facebook and MySpace, or cell-wide biomolecular networks.
In addition to being very large, the networks arising from real-world systems are typically sparse and contain missing and incomplete data.
Successful analysis of such networks thus requires advanced computational methods.

The topic of this thesis is a new generative probabilistic modeling framework, interaction component models, which is designed to detect densely connected subnetworks from noisy network data.
Such subnetworks have many interpretations in practical applications, such as functional gene modules in protein interaction networks or communities in social networks.
The model family is designed to be as simple as possible, to keep it understandable and computationally feasible.

In this thesis, the model is applied to a new problem domain, namely protein interaction networks, in order to detect biologically relevant functional modules.
Extensions to include additional data, such as attributes of the nodes, into the analysis are proposed and tested.
Improvements to model inference are also introduced and their effect studied.
In the experiments, models are able to find meaningful cluster structures from networks in several problem domains.
The proposed modifications improve model performance.
Abstract (fin): Useat monimutkaiset systeemit voidaan esittää verkkona, jossa kaaret yhdistävät solmuja.
Soluissa molekyylien, kuten proteiinien, vuorovaikutukset muodostavat verkon, ja sosiaalinen systeemi voi koostua yksittäisten toimijoiden suhteista.
Verkkojen analysointi on kehittynyt pienen ihmisjoukon välisten suhteiden tutkimisesta valtavien monimutkaisten verkkojen, kuten Facebookin ja My- Spacen tapaisten kommunikaatioverkkojen tai solun laajuisten molekyyliverkkojen, analysointiin.
Sen lisäksi, että käytännön verkot ovat erittäin suuria, ne ovat tyypillisesti harvoja ja epätäydellistä.
Tällaisten verkkojen menestyksekäs analysointi vaatii kehittyneiden laskennallisten menetelmien käyttöä.

Tämän diplomityön aiheena on uusi generatiivinen todennäköisyysmalliperhe, vuorovaikutuskomponenttimallit.
Se on suunniteltu tiheästi kytkettyjen aliverkkojen löytämiseen kohinaisesta verkkodatasta.
Tällaisilla aliverkoilla on monia tulkintoja käytännön sovelluksissa, kuten toiminnalliset geenimoduulit proteiinien vuorovaikutusverkoissa tai yhteisöt sosiaalisissa verkoissa.
Malliperhe on suunniteltu mahdollisimman yksinkertaiseksi, jotta se olisi ymmärrettävä ja laskennallisesti toteutettavissa.

Tässä työssä mallia sovelletaan uuteen ongelmaan, proteiinien vuorovaikutusverkkoihin, ja tavoitteena on löytää biologisesti järkeviä toiminnallisia moduuleita.
Vaihtoehtoja mallin laajentamiseksi ymmärtämään myös verkkoja rikkaampaa dataa, kuten solmujen ominaisuuksia, esitellään ja kokeillaan.
Tehdyissä kokeissa mallit löytävät tulkittavia klusterirakenteita verkoista useilla sovellusalueilla.
Ehdotetut muutokset parantavat mallin suorituskykyä.
ED:2009-10-27
INSSI record number: 38510
+ add basket
« previous | next »
INSSI