درحال بارگذاري...
جستجو
| ایمیل دوست | |
| نام شما | |
| ایمیل شما | |
| کد مقابل را وارد نمایید | |
این صفحه برای دوست شما با موفقیت ارسال شد.
فهرست محتوای دیجیتالی
فهرست مطالب
فهرست نقدها
159 مرتبه مشاهده شده
پیش بینی عملکرد ایزوفرم با استفاده از شبکه عصبی ژرف
غضنفری، سارا Ghazanfari, Sara
- شماره پایان نامه:54237
- کد دانشکده:19
- پديدآور: غضنفری، سارا
- عنوان:پیش بینی عملکرد ایزوفرم با استفاده از شبکه عصبی ژرف.
- نام دانشگاه/پژوهشگاه:صنعتی شریف
- سال اخذ مدرك:1400.
- نام دانشکده:مهندسی کامپیوتر
- مقطع:کارشناسی ارشد
- گرایش:بیوانفورماتیک
- توصیف ظاهری:75ص.: جدول، نمودار، کتابنامه؛ چکیده به فارسی و انگلیسی
- توصیفگر: یادگیری پیرایش دگرسان Alternative Splicing Learning
- توصیفگر: شبکه های عصبی عمیق Deep Neural Networks
- توصیفگر: داده های بیان ژن Gene Expression Data
- توصیفگر: پیش بینی عملکرد ایزوفرم Isoform Function Prediction
- توصیفگر: میدان های تصادفی شرطی Conditional Random Fields (CRF)
- استاد راهنما. مطهری، ابوالفضل
- استاد راهنما. سلیمانی، مهدیه
-
محتواي کتاب
- مشاهده
- مقدمه
- تعاریف و پیشنیازها
- معرفی مسئله
- اهمیت مسئله
- ساختار پایاننامه
- کارهای پیشین
- روش یادگیری چند نمونهای
- روش iMILP li2014high
- روش WLRM luo2017functional
- روش DIFFUSE chen2019diffuse
- روش DisoFun li2016proteogenomic
- انطباق دامنه
- روش DeepIsoFun shaw2019deepisofun
- مرور کلی بر مسئله پیشبینی عملکرد پروتئین shehu2016survey
- مقایسه مسائل پیشبینی عملکرد ژن، ایزوفرم و پروتئین
- جمعبندی
- روش یادگیری چند نمونهای
- راهکار پیشنهادی
- دادگان مسئله
- علت انتخاب دادگان مطرح شده
- جمع آوری دادگان منتخب
- پیش پردازش دادگان
- رشته ایزوفرم
- دامنههای حفاظت شده
- پروفایل بیان ایزوفرم
- مدل پیشنهادی
- آموزش مدل پیشنهادی
- چالشهای آموزش مدل
- یادگیری چند وظیفهای
- جمعبندی
- دادگان مسئله
- نتایج جدید
- معیارهای ارزیابی
- معیار AUC
- معیار AUPRC
- ارزیابی نتایج راهکار پیشنهادی
- مقایسه نتایج با روشهای پیشین
- تحلیل اثرات مولفههای مدل
- سازگاری با ویژگیهای توالی Uniprot
- ارزیابی مدل بروی ایزوفرمهای شناخته شده
- جمعبندی
- معیارهای ارزیابی
- نتیجهگیری