search query: @instructor Heikkonen, Jukka / total: 8
reference: 3 / 8
Author: | Kaapro, Aatu |
Title: | Modeling gene regulatory networks with Bayesian networks |
Geenisäätelyverkkojen mallinnus Bayes-verkoilla | |
Publication type: | Master's thesis |
Publication year: | 2006 |
Pages: | 152 Language: eng |
Department/School: | Sähkö- ja tietoliikennetekniikan osasto |
Main subject: | Laskennallinen tekniikka (S-114) |
Supervisor: | Kaski, Kimmo |
Instructor: | Heikkonen, Jukka |
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 S80 | Archive |
Keywords: | Bayesian networks gene regulatory network prior information Bayes-verkot geenisäätelyverkko prioritieto |
Abstract (fin): | Geenisäätelyverkot kuvaavat geenien välisiä vuorovaikutuksia. Niiden oppiminen biologisesta aineistosta on vaikeaa, mutta onnistuessaan tarjoaa huomattavasti muun muassa lääkekehitykseen soveltuvaa tietoa. Geenisäätelyverkkoja on perinteisesti opittu geeniekspressiodatasta, joka ei kuitenkaan yksinään riitä verkkorakenteiden luotettavaan päättelyyn. Geenisäätelyverkkojen oppimista voidaan parantaa ottamalla huomioon muista tiedonlähteistä saatavaa tietämystä. Tässä diplomityössä tunnistetaan useita biologisen tietämyksen lähteitä, joita voidaan käyttää avuksi mallinnettaessa geenisäätelyverkkoja Bayes-verkoilla. Bayes-verkot ovat graafisia tilastollisia malleja ja yleisesti käytettyjä geenisäätelyverkkojen oppimiseen. Koska geeniekspressiodataa on yleensä saatavilla niukasti, saattaa oppimisprosessissa löytyä monta vaihtoehtoista aineiston hyvin selittävää verkkorakennetta. Tällöin yksittäinen verkkorakenne ei välttämättä ole kovinkaan hyvä kuvaus ratkaisusta. Tämän takia työssä käytettiin Markov-ketju Monte Carlo menetelmää erilaisten verkkoratkaisujen etsimiseen ja mallien keskiarvoistusta ratkaisuissa toistuvien piirteiden etsintään. Eri lähteistä saatava ns. prioritieto yhdistettiin verkkomallien oppimisprosessiin informatiivisilla rakenneprioreilla, malliavaruuden rajoitteilla ja mallien rakenteiden muokkauksilla. Työssä esitetyt menetelmät soveltuvat muihinkin oppimismenetelmiin kunhan ne pohjautuvat verkkorakenteiden etsimiseen ja pisteyttämiseen. Diplomityön kokeet osoittavat että ilman prioritietoa verkkorakenteiden oppiminen on epäluotettavaa. Informatiivisen rakennepriorin ja oppimisrajoitteiden lisääminen parantavat aineistosta opittujen verkkomallien laatua. |
ED: | 2007-01-10 |
INSSI record number: 32856
+ add basket
INSSI