prikaz prve stranice dokumenta Model dubokog učenja za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION
No public access
master's thesis
Model dubokog učenja za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2017. urn:nbn:hr:168:308213
Ratković, Marko
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Ratković, M. (2017). Model dubokog učenja 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:168:308213

Ratković, Marko. "Model dubokog učenja za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2017. https://urn.nsk.hr/urn:nbn:hr:168:308213

Ratković, Marko. "Model dubokog učenja za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2017. https://urn.nsk.hr/urn:nbn:hr:168:308213

Ratković, M. (2017). 'Model dubokog učenja za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 07 November 2024, https://urn.nsk.hr/urn:nbn:hr:168:308213

Ratković M. Model dubokog učenja za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2017 [cited 2024 November 07] Available at: https://urn.nsk.hr/urn:nbn:hr:168:308213

M. Ratković, "Model dubokog učenja za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2017. Available at: https://urn.nsk.hr/urn:nbn:hr:168:308213

Metadata
TitleModel dubokog učenja za određivanje očitanih baza dobivenih uređajem za sekvenciranje MinION
Title (english)Deep Learning Model for Base Calling of MinION Nanopore Reads
AuthorMarko Ratković
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 country2017-07-10, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Uređaji za sekvenciranje MinION tvrtke Oxford Nanopore Technologies su pristupačni i prenosivi što ih čini pogodnim za razne primjene. Uređaj omogućuje sekvenciranje očitanja velikih duljina ali većeg postotka greške u odnosu na prethodne tehnologije. Cilj ovog diplomskog rada je pokazati da trenutna pogreška nije uzrokovana isključivo metodom sekvenciranja, već i programskim alatima koji se koriste za očitavanje baza te je pogrešku moguće smanjiti korištenjem metoda dubokog učenja. Predstavljen je novi alat za očitavanje baza temeljen na konvolucijskim neuronski mrežama koji pruža napredak u preciznosti i brzini u odnosu na trenutno korištene rekurzivne neuronske mrežama. U radu je dana detaljna analiza razvijenog alata i usporedba s postojećim rješenjima za određivanje očitanih baza.
Abstract (english)
MinION by Oxford Nanopore Technologie is affordable and portable sequencing device suitable for various applications. The device produces very long reads, however, it suffers from high sequencing error rate. The goal of this thesis is to show that the reported accuracy of the sequencing data is not only limited by sequencing technology, but also by the current software tools used for base calling and can be further improved by using different deep learning concepts. Approach for base calling of raw data using convolutional neural networks is proposed as an alternative to recurrent neural networks used by other basecallers offering improvements both in speed and accuracy. A detailed comparison of the developed tool with the existing tools for base calling R9 data is given.
Keywords
Keywords (english)
Languageenglish
URN:NBNurn:nbn:hr:168:308213
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 on2019-03-14 00:23:03