Deep Learning Model for Recognition of Genomic Signals and Regions / Debiche ,Hadjer  

Public ISBD Titre : Deep Learning Model for Recognition of Genomic Signals and Regions Type de document : texte imprimé Auteurs : Debiche ,Hadjer, Auteur ; Bilal Bouaita, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (55 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Bioinformatique Génomique Index. décimale : 004 - Informatique Résumé : La reconnaissance des signaux et des régions génomiques (GSR) dans l‘ADN est cruciale pour comprendre l‘organisation, la régulation et la fonction des gènes, qui à leur tour produisent de meilleures annotations génomiques et génétiques. Bien que de nombreuses méthodes aient été mises au point pour reconnaître les GSR, leur identification purement informatique demeure difficile. De plus, divers GSR exigent habituellement un ensemble spécialisé de caractéristiques pour développer des modèles de reconnaissance robustes. Récemment, il a été démontré que les méthodes d‘apprentissage profond (DL) génèrent des modèles de prévision plus précis que les méthodes peu profondes. Donc, pour mieux reconnaître ces GSR il est nécessaire d‘abord de bien comprendre la jonction des épissures dans les séquences d‘ADN, c‘est ce que nous faisons dans notre étude. La classification des jonctions d‘épissage dans une cellule eucaryote est un problème important parce que la jonction d‘épissage indique quelle partie de la séquence d‘ADN porte l‘information de codage de protéine. Le principal problème lors de l‘élaboration d‘un classificateur pour cette tâche de classification est de savoir comment représenter la séquence d‘ADN sur les ordinateurs, puisque la précision de toute technique de classification dépend de façon critique de la représentation adoptée. Dans le stage de notre travail, nous implémentons un modèle Multilayer Perceptron pour trouver la représentation appropriée pour la tâche de classification des jonctions. Il s‘agit de reconnaître des données dans trois classes de limites exon/intron (ou sites « donneurs »), de limites intron/exon (ou sites « accepteurs ») ou bien ni l‘une ni l‘autre. Notre modèle proposé à une exactitude de 93 % . Côte titre : MAI/0558 En ligne : https://drive.google.com/file/d/1CPfnJfpj6OeCfGccLGgoB3gMnLGbbdl_/view?usp=shari [...] Format de la ressource électronique : pdf Deep Learning Model for Recognition of Genomic Signals and Regions [texte imprimé] / Debiche ,Hadjer, Auteur ; Bilal Bouaita, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (55 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Bioinformatique Génomique Index. décimale : 004 - Informatique Résumé : La reconnaissance des signaux et des régions génomiques (GSR) dans l‘ADN est cruciale pour comprendre l‘organisation, la régulation et la fonction des gènes, qui à leur tour produisent de meilleures annotations génomiques et génétiques. Bien que de nombreuses méthodes aient été mises au point pour reconnaître les GSR, leur identification purement informatique demeure difficile. De plus, divers GSR exigent habituellement un ensemble spécialisé de caractéristiques pour développer des modèles de reconnaissance robustes. Récemment, il a été démontré que les méthodes d‘apprentissage profond (DL) génèrent des modèles de prévision plus précis que les méthodes peu profondes. Donc, pour mieux reconnaître ces GSR il est nécessaire d‘abord de bien comprendre la jonction des épissures dans les séquences d‘ADN, c‘est ce que nous faisons dans notre étude. La classification des jonctions d‘épissage dans une cellule eucaryote est un problème important parce que la jonction d‘épissage indique quelle partie de la séquence d‘ADN porte l‘information de codage de protéine. Le principal problème lors de l‘élaboration d‘un classificateur pour cette tâche de classification est de savoir comment représenter la séquence d‘ADN sur les ordinateurs, puisque la précision de toute technique de classification dépend de façon critique de la représentation adoptée. Dans le stage de notre travail, nous implémentons un modèle Multilayer Perceptron pour trouver la représentation appropriée pour la tâche de classification des jonctions. Il s‘agit de reconnaître des données dans trois classes de limites exon/intron (ou sites « donneurs »), de limites intron/exon (ou sites « accepteurs ») ou bien ni l‘une ni l‘autre. Notre modèle proposé à une exactitude de 93 % . Côte titre : MAI/0558 En ligne : https://drive.google.com/file/d/1CPfnJfpj6OeCfGccLGgoB3gMnLGbbdl_/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0558	MAI/0558	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)