A robust deep-learning-based detector for Pre-miRNA classification
Pre-miRNA sınıflandırması için derin öğrenme temelli güçlü bir dedektör
- Tez No: 692410
- Danışmanlar: DOÇ. DR. BAHA ŞEN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyomühendislik, Computer Engineering and Computer Science and Control, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 110
Özet
MiRNA (veya MicroRNA), yaklaşık 20-22 nükleotitten oluşan küçük, tek sarmallı ve kodlamayan bir RNA yapısıdır. Biyolojik araştırmalardan elde edilen bulgular, çok çeşitli endojen süreçlerde düzenleyici bir rol oynadığını göstermektedir. Hesaplamalı biyolojide, olgun miRNA'nın sınıflandırılması, kısa uzunluğu ve sınırlı özellikleri nedeniyle verimli değildir. Bu nedenle, bilim adamları daha uzun dizilere ve daha yapısal özelliklere sahip öncü miRNA'ları kullanmaktadır. Pre-miRNA'lar, mirtronlar ve kanonik miRNA'lar olarak gruplandırılabilir. Bu yapıların ana farklılıklar biyogenez süreçlerinden kaynaklanmaktadır. Kanonik miRNA'ların aksine, mirtronlar daha az konservatiftir. Ve ayrıca tanımlanması da daha kolay değildir. Geleneksel makine öğrenimi tabanlı pre-miRNA sınıflandırma yöntemleri, manuel özellik çıkarımına bağlıdır. Ayrıca, pre-miRNA'ların sekans yapısına veya uzamsal yapısına dayanırlar. Bu tezde, daha önce geliştirilmiş makine öğrenmesi yöntemlerinin sınırlamalarını aşmak ve daha iyi sonuçlar elde etmek için evrişimli sinir ağlarına ve uzun kısa süreli bellek ağlarına dayalı hibrit bir derin öğrenme yöntemi öneriyoruz. Önerilen modelimizin sonucuna göre, yüzde 95 güven aralığında, 0,943 (±0,014) doğruluk, 0,935 (±0,016) duyarlılık, 0,948 (±0,029) özgüllük, 0,925 (±0,016) F1 Skoru ve 0.880 (±0,028) Matthews Korelasyon Katsayısı elde ettik. Modelimiz, en yakın sonuçlarla karşılaştırıldığında doğruluk (yüzde 2,51), F1 Skoru (yüzde 1,00) ve Matthews Korelasyon Katsayısı (yüzde 2,43) için en iyi sonucu verdi. Ayrıca duyarlılık ortalaması da Lineer Diskriminant Analizi gibi en yüksek değere sahiptir. Sonuçlar, hibrit CNN-LSTM ağlarının pre-miRNA sınıflandırma için daha yüksek tahmin performansı elde etmede kullanılabileceğini göstermektedir.
Özet (Çeviri)
MiRNA (or MicroRNA) is a tiny, single-stranded, and non-coding RNA structure of roughly 20-22 nucleotides. Findings from biological research indicate that it plays a regulatory role in a wide range of endogenous processes. In computational biology, classifying mature miRNA is not efficient since its short length and limited features. Thus, scientists are using precursor miRNAs with longer sequences and more structural features. Pre-miRNAs can be grouped as mirtrons and canonical miRNAs. The main differences come from their biogenesis process. In contrast to canonical miRNAs, mirtrons are less conserved. And also it is not easier to be identified. The conventional machine-learning-based pre-miRNA classification methods depend on manual feature extraction. Besides, they rely on either structure of sequence or structure of spatial of pre-miRNAs. In this dissertation, we propose a hybrid deep learning method based on the convolutional neural networks and long-short term memory networks to overcome the limitations of previously developed machine learning methods and obtain robust results. According to the our proposed model's result, in 95 percent confidence interval, we got 0.943 (±0,014) accuracy, 0.935 (±0,016) sensitivity, 0.948 (±0,029) specificity, 0.925 (±0,016) F1 Score and 0.880 (±0,028) Matthews Correlation Coefficient. Therefore, the prediction resulted in the best for accuracy (2.51 percent), F1 Score (1.00 percent), and Matthews Correlation Coefficient (2.43 percent) when compared to the closest results. In addition, the average of sensitivity has the highest value as Linear Discriminant Analysis. The results show that the hybrid CNN-LSTM networks can be employed to get higher prediction performance for pre-miRNA classification.
Benzer Tezler
- Yerel görünüm ve derin modeller kullanarak hibrit bir yüz tanıma yaklaşımı
A hybrid face recognition approach using local appearance and deep models
MERT ARI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Derin obje sezicilerle tümleştirilmiş bayesçi filtreleme ile videoda obje izleme
Integration of bayesian filtering and deep object detection for video object tracking
FİLİZ GÜRKAN GÖLCÜK
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU
- Real time target tracking system based on deep learning
Derin öğrenme temelli gerçek zamanlı hedef takip sistemi
MUAZ AYDIN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. REMZİ YILDIRIM
- Deep learning model optimization for real-time smallobject detection on embedded gpus
Gömülü GPU'larda gerçek zamanlı küçük nesne tespiti için derin öğrenme model optimizasyonu
SHAROZE ALI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı
PROF. DR. HASAN FEHMİ ATEŞ
- Moving object tracking by regularization via sparsity in wide area aerial video
Hava aracından çekilmiş geniş alan videolarında seyreklik tabanlı regülarizasyon ile hareketli nesne takibi
ERDEM ONUR ÖZYURT
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU