haku: @keyword gene expression / yhteensä: 13
hakutulos-lista
viite: 11 / 13
« edellinen | seuraava »
Tekijä:Ajanki, Antti
Työn nimi:Geenisäätelyn mallinnus tilanneriippuvilla Bayes-verkoilla
Modeling of gene regulation with context dependent Bayesian networks
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2006
Sivut:87      Kieli:   fin
Koulu/Laitos/Osasto:Sähkö- ja tietoliikennetekniikan osasto
Oppiaine:Informaatiotekniikka   (T-61)
Valvoja:Kaski, Samuel
Ohjaaja:Nikkilä, Janne
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark S80     | Arkisto
Avainsanat:Bayesian networks
structure learning
gene expression
Bayes-verkko
rakennehaku
geenien ilmentyminen
Tiivistelmä (fin): Solut tulevat toimeen useissa erilaisissa olosuhteissa, koska niiden toimintaa ohjaavien geenien ilmentymisaktiivisuus voi muuttua ympäristöstä tulevien signaalien tai toisten geenien tuottamien proteiinien vaikutuksen perusteella.
Geenien väliset säätelysuhteet määräävät solun käyttäytymisen.
Säätelyverkoston koko ja monimutkaisuus tekevät sen selvittämisestä haastavan ongelman.

Todennäköisyyslaskentaan perustuvat Bayes-verkot ovat eräs yleisesti käytetty esitystapa geenien säätelysuhteiden matemaattiseen mallintamiseen.
Niille on olemassa opetusalgoritmeja, jotka etsivät mitattuihin ilmentymisprofiileihin parhaiten sopivan verkon.
Opitun verkon rakenne voidaan tulkita geenien säätelyverkoksi.

Yleensä Bayes-verkkojen opetusmenetelmät olettavat, että kaikki havainnot on tehty samoissa olosuhteissa.
Jos halutaan tutkia miten säätelyvuorovaikutukset muuttuvat olosuhteiden välillä, eräs tapa olisi opettaa erilliset verkot kuvaamaan eri olosuhteiden havaintoja ja verrata opittuja verkkoja keskenään.
Silloin kunkin verkon opetukseen olisi kuitenkin käytettävissä vain osa opetusnäytteistä, mikä saattaisi johtaa ylisovittumiseen.

Tämä työ esittelee verkkorakenteen ja opetusalgoritmin, joita voidaan käyttää säätelyerojen etsimiseen.
Näytteen mittausolosuhde huomioidaan itsenäisenä luokkamuuttujana.
Uutta työssä on tapa, jolla luokkaa käytetään määräämään solmujen jakaumien riippuvuudet.
Se helpottaa opitun verkon tulkintaa.
Luokkamuuttujan ansiosta kaikki riippuvuudet voidaan esittää yhdessä verkossa, jonka opetukseen voidaan käyttää kaikkia havaintoja.
Esiteltävä opetusalgoritmi löytää automaattisesti ne verkon osat, joissa on eroja luokkien välillä.

Työssä osoitetaan keinotekoisia opetusnäytteitä käyttäen, että ehdotettu opetusalgoritmi tuottaa paremmin oikeaa vastaavia verkkoja kuin oman verkon opettaminen erikseen joka olosuhteelle.
Menetelmää sovelletaan stressaavien olosuhteiden aiheuttamien säätelyerojen etsimiseen hiivassa.
ED:2007-01-10
INSSI tietueen numero: 32853
+ lisää koriin
« edellinen | seuraava »
INSSI