prikaz prve stranice dokumenta Model dubokog učenja s kraja na kraj za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION
No public access
master's thesis
Model dubokog učenja s kraja na kraj za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2018. urn:nbn:hr:168:035297
Miculinić, Neven
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Miculinić, N. (2018). Model dubokog učenja s kraja na kraj za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:035297

Miculinić, Neven. "Model dubokog učenja s kraja na kraj za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2018. https://urn.nsk.hr/urn:nbn:hr:168:035297

Miculinić, Neven. "Model dubokog učenja s kraja na kraj za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2018. https://urn.nsk.hr/urn:nbn:hr:168:035297

Miculinić, N. (2018). 'Model dubokog učenja s kraja na kraj za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 02 September 2024, https://urn.nsk.hr/urn:nbn:hr:168:035297

Miculinić N. Model dubokog učenja s kraja na kraj za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2018 [cited 2024 September 02] Available at: https://urn.nsk.hr/urn:nbn:hr:168:035297

N. Miculinić, "Model dubokog učenja s kraja na kraj za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2018. Available at: https://urn.nsk.hr/urn:nbn:hr:168:035297

Metadata
TitleModel dubokog učenja s kraja na kraj za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION
Title (english)End-to-End Deep Learning Model for Base Calling of MinION Nanopore Reads
AuthorNeven Miculinić
MentorMile Šikić (mentor)
Committee memberMile Šikić (predsjednik povjerenstva)
Committee memberMarko Subašić (član povjerenstva)
Committee memberKrešimir Križanović (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2018-07-05, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Uređaj MinION od firme Oxford Nanopore Technologies je prvi portabilni DNA sekvencer. Glavne prednosti uključuju dulje sekvence nego konkurentske tehnologije i analitiku u stvarnom vremenu. Iako duge sekvence do 882 000 baznih parova mogu biti postignute, to dolazi uz cijenu preciznosti of 10\% ili vise. Cilj ovog diplomskog rada je istražiti novu metodu treniranja sekvencora koristeći vise-zadačni trening i autoenkoder kao sekundarni zadatak u svrhu unaprijeđena točnosti primarnog, sekvencioniranja. Model je istreniran na R9.4 E.Coli podacima i uspoređen je s ostalim rješenjima na Klebsiella pneumoniae podacima. Kompletni se izvorni kod nalazi na https://github.com/nmiculinic/minion-basecaller/
Abstract (english)
The MinION device by Oxford Nanopore Technologies is the first portable DNA sequencing device. Main advantages include producing longer reads than competing technologies and real-time data analysis making it suitable for a wide array of possible applications. Although long reads of up to 882 000 bp can be achieved, this comes at a cost - an error rate of 10\% or higher. The goal of this thesis is to explore novel basecaller training technique using multi-task training and autoencoder loss as a secondary task to improve performance of basecalling. The model has been trained on R9.4 E.Coli dataset and has been compared with contemporary solutions on Klebsiella pneumoniae dataset. The complete source code is available on https://github.com/nmiculinic/minion-basecaller/
Keywords
Keywords (english)
Languageenglish
URN:NBNurn:nbn:hr:168:035297
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 on2019-03-13 22:59:26