|
| Titre : |
Modeling of gene regulatory network using Convolutional Neural Network |
| Type de document : |
texte imprimé |
| Auteurs : |
Chaima Boukherouata ; Balsem Chahinez Messouaf ; Fatiha Brahim salem, Directeur de thèse |
| Editeur : |
Setif:UFA |
| Année de publication : |
2020 |
| Importance : |
1vol (74 f .) |
| Format : |
29 cm |
| Langues : |
Français (fre) |
| Catégories : |
Thèses & Mémoires:Informatique
|
| Mots-clés : |
Bioinformatic Gene Regulatory Networks Deep Learning Autoencoder Réeseaux de Réegulation Génétique apprentissage
profond Autoencodeur Régles d’association |
| Index. décimale : |
004 - Informatique |
| Résumé : |
Abstract
understanding the intricate relationships between genes and their regulatory
networks is very important for unraveling the complex mechanisms
that govern cellular processes. In this study, we propose a novel approach
that employs autoencoders, a type of deep learning algorithm, to model gene
regulatory networks and reveal the hidden interactions among genes. This
approach has the potential to advance our understanding of gene regulation
and facilitate the discovery of novel therapeutic targets and biomarkers in
various biological systems. Autoencoders are neural networks that learn to
compress and reconstruct high-dimensional data, thereby capturing essential
features and patterns within the gene expression profiles. Add to that, we
look for association rules between the genes that are expressed. A representation
and validation of the results, as well as a biological interpretation of
the extracted knowledge, will then be provided, which will help biologists to
understand the stages of development of living organisms = Comprendre les relations complexes entre les gènes et leurs réseaux de régulation
est tr`es important pour démêler les mécanismes complexes qui régissent les
processus cellulaires. Dans cette étude, nous proposons une nouvelle approche
qui utilise des autoencodeurs, un type d’algorithme d’apprentissage
profond, pour modéliser les réseaux de régulation des gènes et révéler les
interactions cachées entre les gènes. Cette approche a le potentiel de faire
progresser notre compréhension de la régulation génétique et de faciliter la
découverte de nouvelles cibles thérapeutiques et biomarqueurs dans divers
systèmes biologiques. Les auto-encodeurs sont des réseaux neuronaux qui
apprennent `a compresser et reconstruire des données de grande dimension,
capturant ainsi des caractéristiques et des modèles essentiels dans les profils
d’expression des gènes. En plus de cela, nous cherchons des règles d’association
entre les gènes qui sont exprimés. Une représentation et une validation des
résultats, ainsi qu’une interprétation biologique des connaissances extraites,
seront ensuite fournies, ce qui aidera les biologistes `a comprendre les stades
de développement des organismes vivants.
|
| Côte titre : |
MAI/0760 |
| En ligne : |
https://drive.google.com/file/d/1uU8VK6PgQQwuIReRp2YB7VhJZu0Yw_4Y/view?usp=drive [...] |
| Format de la ressource électronique : |
pdf |
Modeling of gene regulatory network using Convolutional Neural Network [texte imprimé] / Chaima Boukherouata ; Balsem Chahinez Messouaf ; Fatiha Brahim salem, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1vol (74 f .) ; 29 cm. Langues : Français ( fre)
| Catégories : |
Thèses & Mémoires:Informatique
|
| Mots-clés : |
Bioinformatic Gene Regulatory Networks Deep Learning Autoencoder Réeseaux de Réegulation Génétique apprentissage
profond Autoencodeur Régles d’association |
| Index. décimale : |
004 - Informatique |
| Résumé : |
Abstract
understanding the intricate relationships between genes and their regulatory
networks is very important for unraveling the complex mechanisms
that govern cellular processes. In this study, we propose a novel approach
that employs autoencoders, a type of deep learning algorithm, to model gene
regulatory networks and reveal the hidden interactions among genes. This
approach has the potential to advance our understanding of gene regulation
and facilitate the discovery of novel therapeutic targets and biomarkers in
various biological systems. Autoencoders are neural networks that learn to
compress and reconstruct high-dimensional data, thereby capturing essential
features and patterns within the gene expression profiles. Add to that, we
look for association rules between the genes that are expressed. A representation
and validation of the results, as well as a biological interpretation of
the extracted knowledge, will then be provided, which will help biologists to
understand the stages of development of living organisms = Comprendre les relations complexes entre les gènes et leurs réseaux de régulation
est tr`es important pour démêler les mécanismes complexes qui régissent les
processus cellulaires. Dans cette étude, nous proposons une nouvelle approche
qui utilise des autoencodeurs, un type d’algorithme d’apprentissage
profond, pour modéliser les réseaux de régulation des gènes et révéler les
interactions cachées entre les gènes. Cette approche a le potentiel de faire
progresser notre compréhension de la régulation génétique et de faciliter la
découverte de nouvelles cibles thérapeutiques et biomarqueurs dans divers
systèmes biologiques. Les auto-encodeurs sont des réseaux neuronaux qui
apprennent `a compresser et reconstruire des données de grande dimension,
capturant ainsi des caractéristiques et des modèles essentiels dans les profils
d’expression des gènes. En plus de cela, nous cherchons des règles d’association
entre les gènes qui sont exprimés. Une représentation et une validation des
résultats, ainsi qu’une interprétation biologique des connaissances extraites,
seront ensuite fournies, ce qui aidera les biologistes `a comprendre les stades
de développement des organismes vivants.
|
| Côte titre : |
MAI/0760 |
| En ligne : |
https://drive.google.com/file/d/1uU8VK6PgQQwuIReRp2YB7VhJZu0Yw_4Y/view?usp=drive [...] |
| Format de la ressource électronique : |
pdf |
|
Ajouter le résultat dans votre panier Affiner la recherche
