dc.contributor.author | Nakano, Felipe Kenji | |
dc.date.accessioned | 2018-10-01T18:16:53Z | |
dc.date.available | 2018-10-01T18:16:53Z | |
dc.date.issued | 2018-09-05 | |
dc.identifier.citation | NAKANO, Felipe Kenji. Deep learning para classificação hierárquica de elementos transponíveis. 2018. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2018. Disponível em: https://repositorio.ufscar.br/handle/ufscar/10532. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/10532 | |
dc.description.abstract | Transposable Elements (TEs) are DNA sequences that can change its location within a cell's genome. They contribute directly to the genetic variety of species. Besides, their transposition mechanisms can affect the functionality of genes. The correct identification and classification of TEs play a central role in comprehension of genomes. Generally, identification and classification of TEs are performed using tools that employs homology, by comparing a sequence to many sequences from a labeled TE database. Since the literature proposes hierarchical taxonomies to classify TEs according to classes and subclasses, this project aims to develop new classification methods employing Machine Learning (AM) and Artificial Neural Networks (RNA) trained using Deep Learning (DP) concepts. Deep Neural Networks have extend the state-of-art of many field of study, including bioinformatics. As the first step, DNA sequences labelled with previously identified TEs will be collected and mapped according to hierarchies provided by the literature. Next, Deep Learning's neural networks Restricted Booltzman Machine, Auto-encoders, MultiLayer Perceptrons and their stacked version were tested. With these datasets, different classification methods are proposed and compared with literature's methods. As contributions, two new strategies were proposed, nLLCPN (non-Leaf Local Classifier per Parent Node) and LCPNB (Classifier per Parent Node and Branch). Both of then adapt LCPN (Local Classifier per Parent Node) in order to allow classifications in inner nodes. Additionally, the deep neural networks presented superior or competitive results in most of the cases. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | por |
dc.description.sponsorship | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights.uri | Acesso aberto | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Elementos transponíveis | por |
dc.subject | Classificação hierárquica | por |
dc.subject | Transposable elements | eng |
dc.subject | Hierarchical classification | eng |
dc.subject | Deep learning | eng |
dc.title | Deep learning para classificação hierárquica de elementos transponíveis | por |
dc.title.alternative | Deep learning for hierarchical classification of transposable elements | eng |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Cerri, Ricardo | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6266519868438512 | por |
dc.description.resumo | Elementos Transponíveis (TEs) são sequências de DNA que podem se mover de um local para outro dentro do genoma de uma célula. Eles contribuem para a diversidade genética das espécies, e seus mecanismos de transposição podem afetar a funcionalidade dos genes. A correta identificação e classificação de TEs é útil para a compreensão de seus efeitos nos genomas. Como existem propostas na literatura para organizar os TEs em uma taxonomia hierárquica, com superclasses e subclasses, este trabalho investigou métodos de Classificação Hierárquica (CH) de TEs utilizando Aprendizado de Máquina (AM), e Redes Neurais Artificiais (RNAs) do paradigma Deep Learning (DP). RNAs profundas têm-se mostrado promissoras em diversos campos de estudo, incluindo bioinformática. Inicialmente, sequências com TEs previamente identificados foram coletadas e estruturadas de acordo com taxonomias hierárquicas. Em seguida, as redes neurais Restricted Booltzman Machine, Denoising Auto-encoder, MultiLayer Perceptron e suas versões empilhadas foram testadas. De posse dos conjuntos de dados, diferentes métodos de classificação foram propostos, e comparados com métodos existentes na literatura. Como resultados dessa pesquisa, foram propostas duas novas estratégias, chamadas nLLCPN (Classificador Local por Nó Pai não Folha) e LCPNB (Classificador Local por Nó Pai e Ramo). Ambas adaptam a estratégia LCPN (Classificador Local por Nó Pai), de maneira que classificações em nós internos sejam permitidas. Adicionalmente, as redes profundas apresentam desempenho superior ou competitivo à arquiteturas rasas na maioria dos casos. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | por |
dc.description.sponsorshipId | FAPESP: 2016/12489-2 | por |
dc.description.sponsorshipId | FAPESP: 2017/19264-9 | por |
dc.ufscar.embargo | Online | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/6192556929748278 | por |