Empreu aquest identificador per citar o enllaçar aquest ítem:
http://hdl.handle.net/10609/146248
Títol: | Predicción de la abundancia de ARNm usando redes neuronales profundas |
Autoria: | Domínguez Pérez, Carlos Daniel |
Tutor: | Alférez, Santiago |
Altres: | Calvet Liñán, Laura |
Resum: | L'expressió gènica controla el desenvolupament, el creixement, l'adaptació i la reproducció de totes les cèl·lules, per la qual cosa el seu enteniment pot brindar-nos amb grans avanços en l'àmbit de la medicina i la biotecnologia. No obstant això, encara no és clar com les diferents regions de la cadena d'ADN intervenen en la regulació d'aquesta expressió. A més d'això, les tècniques per a mesurar-la continuen sent costoses i lentes. Amb la finalitat d'aportar una eina útil per al personal investigador i sanitari, en aquest projecte s'han aplicat diferents models d'aprenentatge profund per a la predicció del ARNm en Saccharomyces cerevisiae utilitzant Pytorch. Per a dur a terme aquesta tasca, s'ha utilitzat un conjunt de dades compost per l'abundància de ARNm de diferents gens, juntament amb les seqüències de la regió no codificants, les freqüències dels codons i altres vuit variables d'estabilitat del ARNm. S'han entrenat diferents models, usant d'una banda les seqüències i per un altre la resta de les variables. Després d'això, s'han unit els millors models per a cada conjunt de dades, creant un model nou combinat. |
Paraules clau: | aprenentatge profund processament del llenguatge natural expressió gènica |
Tipus de document: | info:eu-repo/semantics/masterThesis |
Data de publicació: | jun-2022 |
Llicència de publicació: | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ |
Apareix a les col·leccions: | Trabajos finales de carrera, trabajos de investigación, etc. |
Arxius per aquest ítem:
Arxiu | Descripció | Mida | Format | |
---|---|---|---|---|
cardomper1TFM0622memoria.pdf | Memoria del TFM | 845,78 kB | Adobe PDF | Veure/Obrir |
Comparteix:
Aquest ítem està subjecte a una llicència de Creative Commons Llicència Creative Commons