prikaz prve stranice dokumenta Predviđanje interakcije među proteinima korištenjem konvolucijske neuronske mreže
No public access
master's thesis
Predviđanje interakcije među proteinima korištenjem konvolucijske neuronske mreže
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. urn:nbn:hr:168:063839
Segarić, Lucija
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Segarić, L. (2020). Predviđanje interakcije među proteinima korištenjem konvolucijske neuronske mreže (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:063839

Segarić, Lucija. "Predviđanje interakcije među proteinima korištenjem konvolucijske neuronske mreže." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. https://urn.nsk.hr/urn:nbn:hr:168:063839

Segarić, Lucija. "Predviđanje interakcije među proteinima korištenjem konvolucijske neuronske mreže." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. https://urn.nsk.hr/urn:nbn:hr:168:063839

Segarić, L. (2020). 'Predviđanje interakcije među proteinima korištenjem konvolucijske neuronske mreže', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 28 December 2024, https://urn.nsk.hr/urn:nbn:hr:168:063839

Segarić L. Predviđanje interakcije među proteinima korištenjem konvolucijske neuronske mreže [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2020 [cited 2024 December 28] Available at: https://urn.nsk.hr/urn:nbn:hr:168:063839

L. Segarić, "Predviđanje interakcije među proteinima korištenjem konvolucijske neuronske mreže", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2020. Available at: https://urn.nsk.hr/urn:nbn:hr:168:063839

Metadata
TitlePredviđanje interakcije među proteinima korištenjem konvolucijske neuronske mreže
Title (english)Protein-protein interaction prediction using convolutional neural network
AuthorLucija Segarić
MentorMirjana Domazet-Lošo (mentor)
Committee memberMirjana Domazet-Lošo (predsjednik povjerenstva)
Committee memberIvica Botički (član povjerenstva)
Committee memberTomislav Jagušt (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2020-07-07, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Razvoj novih eksperimentalnih metoda omogućio je prikupljanje velike količine podataka vezanih uz interakciju među proteinima. Pošto su te metode veoma skupe i vremenski zahtjevne, razvijeno je mnogo računalnih metoda koje služe za predviđanje interakcije među proteinima i koje pokazuju obećavajuće rezultate. U okviru ovog diplomskog rada, istražen je i izgrađen model predviđanja interakcije među proteinima iz sljedova aminokiselina baziran na Sijamskoj konvolucijskoj neuronskoj mreži. Implementacija modela izvedena je u programskom jeziku Lua uz korištenje računalnog okvira Torch koji sadrži podršku za algoritme strojnog i dubokog učenja. Model je evaluiran na tri različita skupa podataka i pokazuje dobre rezultate na dva od ta tri skupa, sa najboljim rezultatima na Multi-species skupu gdje ostvaruje točnost i mjeru F1 u iznosu od 0.72.
Abstract (english)
The development of high-throughput experimental techniques has enabled discovery of a large amount of protein-protein interaction (PPI) data. Since those methods are expensive and time-consuming, many computational methods for PPI prediction have been developed and show promising results. In this thesis, a deep learning model based on Siamese convolutional neural network for prediction of PPIs from amino acid sequences was studied and built. The model was implemented in Lua programming language with Torch framework which has a wide support for machine learning and deep learning algorithms. I evaluated it on three different datasets and it shows good results on two of those datasets, with best performance on Multi-species dataset, where accuracy and F1 scores of 0.72 were achieved.
Keywords
Keywords (english)
Languageenglish
URN:NBNurn:nbn:hr:168:063839
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 on2023-01-13 10:42:24