人類基因組學(xué)的表達(dá)研究是數(shù)據(jù)與知識(shí)之間轉(zhuǎn)化的一大實(shí)例,在生物信息學(xué)領(lǐng)域中占據(jù)著重要的位置。生物學(xué)中常用的方式是通過(guò)生物手段如基因芯片等來(lái)提取及預(yù)測(cè)基因表達(dá)譜。CMAP項(xiàng)目組構(gòu)建了一個(gè)大規(guī)�；虮磉_(dá)譜庫(kù),并且發(fā)現(xiàn)某些小分子之間存在功能性連接。在人類已知的22000個(gè)基因的基因表達(dá)譜中,大多數(shù)是存在高度相關(guān)性的。在此基礎(chǔ)上,NIH LINCS項(xiàng)目組挑選出了978個(gè)基因稱為標(biāo)志性基因,將剩余基因稱為靶基因,并認(rèn)為通過(guò)這些標(biāo)志性基因的基因表達(dá)譜能夠預(yù)測(cè)出剩余靶基因的基因表達(dá)譜值。這一想法能夠很好地解決以往大規(guī)�；虮磉_(dá)譜預(yù)測(cè)費(fèi)用昂貴的問(wèn)題。人類社會(huì)在不斷的發(fā)展過(guò)程中已經(jīng)逐步開始進(jìn)入人工智能時(shí)代,此時(shí),學(xué)科融合成為技術(shù)發(fā)展的必經(jīng)之路。因此,科學(xué)家們提出可以使用計(jì)算機(jī)方法通過(guò)標(biāo)志性基因的基因表達(dá)譜值來(lái)預(yù)測(cè)靶基因的基因表達(dá)譜值。NIH LINCS項(xiàng)目組是最先開始尋找解決辦法的,他們的初步嘗試是線性回歸算法,存在的缺點(diǎn)是不能夠捕捉其中的非線性關(guān)系。接著,陳等人嘗試使用深度學(xué)習(xí)即深度神經(jīng)網(wǎng)絡(luò)的算法來(lái)進(jìn)行預(yù)測(cè),能夠在大多數(shù)靶基因的基因表達(dá)譜上達(dá)到比線性回歸更低的平均絕對(duì)誤差。本文基于深度神經(jīng)網(wǎng)絡(luò)的思路對(duì)該... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

線性回歸示意圖

第二章 理論研究基礎(chǔ)度神經(jīng)網(wǎng)絡(luò)反向傳播算法于神經(jīng)網(wǎng)絡(luò)的解釋說(shuō)明有很多，使用最廣泛的是 1988 年，T．l Networks 創(chuàng)刊號(hào)上所作的解釋，他表示神經(jīng)網(wǎng)絡(luò)最基本的目神經(jīng)系統(tǒng)，生物神經(jīng)網(wǎng)絡(luò)能夠針對(duì)現(xiàn)實(shí)世界給出適當(dāng)反應(yīng)，而似特性。這種網(wǎng)絡(luò)是廣泛的，并行的，互聯(lián)的，由簡(jiǎn)單的具有的[24][30]。在機(jī)器學(xué)習(xí)領(lǐng)域，本文所說(shuō)的神經(jīng)網(wǎng)絡(luò)指的是一種具絡(luò)結(jié)構(gòu)，其中神經(jīng)元(指的是 M-P 神經(jīng)元[15],結(jié)構(gòu)圖如圖 2 2)是構(gòu)進(jìn)行互連的。在該模型中，輸入信號(hào) x被傳遞給該神經(jīng)元并生輸出信號(hào)y，其中，輸入信號(hào) x來(lái)自于上一層的神經(jīng)元。具為1( )ni iiy f w x == 。

第二章 理論研究基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)比感知器模型的學(xué)習(xí)能力要好得多，因此簡(jiǎn)單為了更好的對(duì)多層網(wǎng)絡(luò)進(jìn)行訓(xùn)練，新的一類學(xué)習(xí)算法應(yīng)運(yùn)誤差逆?zhèn)鞑ィ˙ack Propagation，簡(jiǎn)稱 BP）。該算法的學(xué)習(xí)用范圍為多種結(jié)構(gòu)類型的網(wǎng)絡(luò)。本文介紹的深度神經(jīng)網(wǎng)絡(luò)絡(luò)，它的學(xué)習(xí)過(guò)程通過(guò)誤差逆?zhèn)鞑ニ惴ㄟM(jìn)行求解，在現(xiàn)有圍最廣。這種算法是 1986 年由著名科學(xué)家 Rumelhart 和 是計(jì)算目標(biāo)函數(shù)的最小值，通常采用的目標(biāo)函數(shù)是網(wǎng)絡(luò)選擇梯度下降法。為了介紹方便，下圖將推導(dǎo)過(guò)程中涉及示意圖中標(biāo)示出來(lái)，如圖 2.3 所示。

【參考文獻(xiàn)】：
碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉年齡估計(jì)算法[D]. 周旺.南京大學(xué) 2017
[2]基于landmark基因集的深度學(xué)習(xí)基因表達(dá)預(yù)測(cè)方法[D]. 陳華宇.吉林大學(xué) 2017



本文編號(hào)：3287615