prikaz prve stranice dokumenta Primjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem
Rad nije dostupan
diplomski rad
Primjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. urn:nbn:hr:168:345612
Cavalli, Luka
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Cavalli, L. (2024). Primjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:345612

Cavalli, Luka. "Primjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:345612

Cavalli, Luka. "Primjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:345612

Cavalli, L. (2024). 'Primjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 13.01.2025., https://urn.nsk.hr/urn:nbn:hr:168:345612

Cavalli L. Primjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2024 [pristupljeno 13.01.2025.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:345612

L. Cavalli, "Primjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:345612

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:345612
Podaci o radu
NaslovPrimjena dubokog učenja za određivanje tipova stanica dobivenih scRNA sekvenciranjem
Naslov (engleski)Deep-learning based scRNA-seq cell type identification
AutorLuka Cavalli
MentorMirjana Domazet-Lošo (mentor)
Član povjerenstvaMirjana Domazet-Lošo (predsjednik povjerenstva)
Član povjerenstvaBoris Milašinović (član povjerenstva)
Član povjerenstvaDanijel Mlinarić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2024-07-04, Hrvatska
Sažetak
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.
Sažetak (engleski)
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.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:345612
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2024-10-12 20:16:30