search query: @keyword gene expression / total: 13
reference: 13 / 13
« previous | next »
Author: | Pykälä, Heli |
Title: | Dynamic modelling of very high dimensional data - Application in gene expression |
Erittäin korkeaulotteisen datan dynaaminen mallitus - Sovellus geeniekspressioon | |
Publication type: | Master's thesis |
Publication year: | 2005 |
Pages: | 56 s. + liitt. Language: eng |
Department/School: | Automaatio- ja systeemitekniikan osasto |
Main subject: | Systeemitekniikka (AS-74) |
Supervisor: | Hyötyniemi, Heikki |
Instructor: | Haavisto, Olli |
OEVS: | Electronic archive copy is available via Aalto Thesis Database.
Instructions Reading digital theses in the closed network of the Aalto University Harald Herlin Learning CentreIn 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
Opening a thesis
Reading the thesis
Printing the thesis
|
Location: | P1 Ark TKK 6640 | Archive |
Keywords: | dynamic modelling subspace identification gene expression DNA microarray dynaaminen mallitus aliavaruusidentifiointi geeniekspressio DNA-mikrosiru |
Abstract (fin): | Perinteiset mallitusalgoritmit eivät suoriudu tehtävästään, jos datan dimensio on suurempi kuin näytteiden määrä (erittäin korkeaulotteinen data). Tällaiseen tilanteeseen törmätään muunmuassa geeniekspression mallituksessa. DNA-mikrosirutekniikan avulla on mahdollista määrittää koko genomin aktiivisuus samalla aikahetkellä, mikä tuottaa tuhansia aktiivisuusarvoja. Mittausten kalleudesta johtuen näytteitä on saatavilla korkeintaan joistain sadoista aikapisteistä. Jotta tällaisen datan dynaaminen mallittaminen olisi mahdollista, datan dimensiota on pienennettävä jollain redusointitekniikalla. Perinteisesti geeniekspression mallituksessa dimensiota on redusoitu ennen mallitusta esimerkiksi jättämällä osa geeneistä tarkastelun ulkopuolelle. Tässä työssä käytetään mallitukseen aliavaruusidentifiointia, jolla monimuuttujadatasta voidaan laskea suoraan matalaulotteinen lineaarinen tilamalli. Menetelmä muokataan soveltuvaksi erittäin korkeaulotteisen datan mallitukseen ja muokatun algoritmin toimivuutta arvioidaan simuloidun datan avulla. Lopuksi menetelmää sovelletaan myös geeniekspressio-datan mallitukseen. Työssä havaitaan, että menetelmä on sovellettavissa erittäin korkeaulotteisen datan mallitukseen, joskin siinä on joitakin puutteita. Tulokset geeniekspression mallituksessa ovat vertailukelpoisia kirjallisuudessa esitettyjen menetelmien kanssa huolimatta saatavilla olevan datan huonolaatuisuudesta. |
ED: | 2005-11-22 |
INSSI record number: 29988
+ add basket
« previous | next »
INSSI