prikaz prve stranice dokumenta Primjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem
No public access
master's thesis
Primjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2024. urn:nbn:hr:168:345612
Cavalli, Luka
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Cavalli, L. (2024). Primjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:345612

Cavalli, Luka. "Primjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2024. https://urn.nsk.hr/urn:nbn:hr:168:345612

Cavalli, Luka. "Primjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2024. https://urn.nsk.hr/urn:nbn:hr:168:345612

Cavalli, L. (2024). 'Primjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 26 December 2024, https://urn.nsk.hr/urn:nbn:hr:168:345612

Cavalli L. Primjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2024 [cited 2024 December 26] Available at: https://urn.nsk.hr/urn:nbn:hr:168:345612

L. Cavalli, "Primjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:168:345612

Metadata
TitlePrimjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem
Title (english)Deep-learning based scRNA-seq cell type identification
AuthorLuka Cavalli
MentorMirjana Domazet-Lošo (mentor)
Committee memberMirjana Domazet-Lošo (predsjednik povjerenstva)
Committee memberBoris Milašinović (član povjerenstva)
Committee memberDanijel Mlinarić (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2024-07-04, Croatia
Abstract
Problem klasifikacije stanica uključuje identifikaciju i kategorizaciju različitih tipova stanica na temelju njihovih ekspresijskih profila gena dobivenih iz jedne stanice scRNA sekvenciranja. To je ključno za razumijevanje stanične heterogenosti u tkivima, proučavanje razvoja i funkcije organa te identificiranje promjena povezanih s bolestima, što može voditi do napretka u dijagnostici i terapiji. U ovom radu su za klasifikaciju korištene metode strojnog učenja (stroj potpornih vektora i slučajne šume) te metoda dubokog učenja gdje je kao model korišten transformer. Objašnjena je arhitektura transformera te su navedeni skupovi podataka na kojima su trenirani modeli. Algoritmi strojnog učenja ostvareni su pomoću biblioteka scikit-learn, a arhitektura transformera pomoću radnog okvira PyTorch u programskom jeziku Python. Performanse transformera i algoritama strojnog učenja su naposljetku uspoređene s rezultatima predtreniranog modela scBERT na dva skupa podataka. Najbolju točnost od isprobanih metoda su ostvarivali SVM i transformer, ali scBERT je na oba skupa podataka davao bolje rezultate.
Abstract (english)
The problem of cell classification involves identifying and categorizing different cell types based on their gene expression profiles obtained from scRNA sequencing. This is crucial for understanding cellular heterogeneity in tissues, studying the development and function of organs, and identifying disease-related changes, which can lead to advancements in diagnostics and therapy. In this paper, machine learning methods (support vector machines and random forests) and a deep learning method using a transformer model were used for classification. The architecture of the transformer is explained, and the datasets on which the models were trained are listed. The machine learning algorithms were implemented using the scikit-learn library, and the transformer architecture using the PyTorch framework in the Python programming language. The performance of the transformer and machine learning algorithms was finally compared with the results of the pretrained scBERT model on two datasets. The best accuracy among the tested methods was achieved by the SVM and transformer, but scBERT provided better results on both datasets.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:345612
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2024-10-12 20:16:30