Titre :	Deep model for the diagnosis of cancer
Type de document :	texte imprimé
Auteurs :	Mohamed Karim Maafi, Auteur ; Sofiane Bensalem ; Mediani,Chahrazed, Directeur de thèse
Editeur :	Sétif:UFS
Année de publication :	2023
Importance :	1 vol (103 f.)
Format :	29 cm
Langues :	Anglais (eng)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Apprentissage Automatique Apprentissage en profondeure Autoencoders Cancer MiRNA RPPA TCGA.
Index. décimale :	004 - Informatique
Résumé :	La génomique et les activités de protéomique jouent un rôle fondamental dans les processus biologiques de tous les organismes. Elles accomplissent la majeure partie du travail, assurent les fonctions vitales et constituent la structure cellulaire. Les comportements anormaux de ces activités sont considérés comme des facteurs déterminants de nombreuses maladies génétiques. Par conséquent, la compréhension de ces activités est devenue une mission primordiale pour les chercheurs en génomique à grande échelle. Cependant, ces études sont confrontées à des limites telles que la sensibilité des données, la dimensionnalité élevée et l’ampleur considérable des ensembles de données. C’est pourquoi ce domaine représente un défi complexe pour l’apprentissage profond. Cependant, l’apprentissage profond se révèle être particulièrement efficace pour comprendre des ensembles de données vastes et complexes. Dans cette thèse, nous avons utilisé la méthode d’apprentissage en profondeur des Autoencodeurs pour résoudre un problème de classification lié à la détection du cancer. Nous avons utilisé deux ensembles de données annotés distincts : le jeu de données des microARN et le tableau de protéines en phase inverse. Les résultats obtenus sont très prometteurs et démontrent que notre modèle intégré est supérieur en termes de classification et de prédiction du type de cancer, ainsi que du score PFI, avec une grande précision = Genomics and proteinomic activities play a crucial role in regulating the biological processes of organisms, encompassing various life functions and cellular structures. Understanding these activities is vital for studying genetic diseases. However, the field of genomics research faces challenges such as data sensitivity, high dimensionality, and large-scale datasets. Deep learning offers a promising approach to tackle these challenges, particularly in making sense of complex and extensive datasets. In this thesis, we employed the deep learning method of Autoencoders to address the classification problem of cancer detection using two annotated datasets: the microRNA dataset and the reverse phase protein array. The results obtained were highly promising, demonstrating the superior classification and prediction capabilities of our integrative deep model, achieving high accuracy for both Cancer Type and the PFI score.
Côte titre :	MAI/0819
En ligne :	https://drive.google.com/file/d/1AV9bjcVJcgH1JtndNJbajAVZzRUtfsoS/view?usp=drive [...]
Format de la ressource électronique :	pdf

Deep model for the diagnosis of cancer [texte imprimé] / Mohamed Karim Maafi, Auteur ; Sofiane Bensalem ; Mediani,Chahrazed, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (103 f.) ; 29 cm.
Langues : Anglais (eng)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Apprentissage Automatique Apprentissage en profondeure Autoencoders Cancer MiRNA RPPA TCGA.
Index. décimale :	004 - Informatique
Résumé :	La génomique et les activités de protéomique jouent un rôle fondamental dans les processus biologiques de tous les organismes. Elles accomplissent la majeure partie du travail, assurent les fonctions vitales et constituent la structure cellulaire. Les comportements anormaux de ces activités sont considérés comme des facteurs déterminants de nombreuses maladies génétiques. Par conséquent, la compréhension de ces activités est devenue une mission primordiale pour les chercheurs en génomique à grande échelle. Cependant, ces études sont confrontées à des limites telles que la sensibilité des données, la dimensionnalité élevée et l’ampleur considérable des ensembles de données. C’est pourquoi ce domaine représente un défi complexe pour l’apprentissage profond. Cependant, l’apprentissage profond se révèle être particulièrement efficace pour comprendre des ensembles de données vastes et complexes. Dans cette thèse, nous avons utilisé la méthode d’apprentissage en profondeur des Autoencodeurs pour résoudre un problème de classification lié à la détection du cancer. Nous avons utilisé deux ensembles de données annotés distincts : le jeu de données des microARN et le tableau de protéines en phase inverse. Les résultats obtenus sont très prometteurs et démontrent que notre modèle intégré est supérieur en termes de classification et de prédiction du type de cancer, ainsi que du score PFI, avec une grande précision = Genomics and proteinomic activities play a crucial role in regulating the biological processes of organisms, encompassing various life functions and cellular structures. Understanding these activities is vital for studying genetic diseases. However, the field of genomics research faces challenges such as data sensitivity, high dimensionality, and large-scale datasets. Deep learning offers a promising approach to tackle these challenges, particularly in making sense of complex and extensive datasets. In this thesis, we employed the deep learning method of Autoencoders to address the classification problem of cancer detection using two annotated datasets: the microRNA dataset and the reverse phase protein array. The results obtained were highly promising, demonstrating the superior classification and prediction capabilities of our integrative deep model, achieving high accuracy for both Cancer Type and the PFI score.
Côte titre :	MAI/0819
En ligne :	https://drive.google.com/file/d/1AV9bjcVJcgH1JtndNJbajAVZzRUtfsoS/view?usp=drive [...]
Format de la ressource électronique :	pdf