Modelització de dades òmiques amb autoencoders

Abstract

La finalitat d'aquest treball és reproduir i explorar l'ús de xarxes neuronals basades en autoencoders apilats per a la modelització de dades òmiques. Donada la seva gran dimensionalitat, per l'anàlisi de dades òmiques s'han hagut de desenvolupar noves tècniques. Els mètodes de deep learning són unes de les eines que en els últims anys han suposat millores en el seu tractament. El treball de Xie et al. (1) mostra una superioritat d'un model de perceptró multicapa basat en autoencoders apilats (MLP-SAE) per estudiar la relació del patró de polimorfisme genètic de nucleòtids simples (SNP) i el recompte d'expressió genètica per tècniques de seqüenciació d'alt rendiment (HTSeq), respecte a altres tècniques d'anàlisis.

The purpose of this work is to replicate and explore the use of a stacked auto-encoder based artificial neural network to model omic data. Omic data analysis has required the development of new analysis tools, given their great dimensionality. Deep learning tools have brought improvements to this analysis challenge. The work of Xie, et al. (1) showed the superiority of a multi-layer perceptron based on stacked autoencoders model (MLP-SAE) to study the relationship between single nucleotide polymorphisms (SNP) and genetic expression (measured using high-throughput sequencing [HTSeq]), when compared with other available methods.

La finalidad de este trabajo es reproducir y explorar el uso de redes neuronales basadas en autoencoders apilados para el modelado de datos ómicas. Dada su gran dimensionalidad, para el análisis de datos ómicas se han tenido que desarrollar nuevas técnicas. Los métodos de deep learning son unas de las herramientas que en los últimos años han supuesto mejoras en su tratamiento. El trabajo de Xie et al. (1) muestra una superioridad de un modelo de perceptrón multicapa basado en autoencoders apilados (MLP-SAE) para estudiar la relación del patrón de polimorfismo genético de nucleótidos simples (SNP) y el recuento de expresión genética para técnicas de secuenciación de alto rendimiento (HTSeq), respecto a otras técnicas de análisis.