基于卷积神经网络的基因表达预测研究

发布时间：2021-07-16 19:25

　　人类基因组学的表达研究是数据与知识之间转化的一大实例,在生物信息学领域中占据着重要的位置。生物学中常用的方式是通过生物手段如基因芯片等来提取及预测基因表达谱。CMAP项目组构建了一个大规模基因表达谱库,并且发现某些小分子之间存在功能性连接。在人类已知的22000个基因的基因表达谱中,大多数是存在高度相关性的。在此基础上,NIH LINCS项目组挑选出了978个基因称为标志性基因,将剩余基因称为靶基因,并认为通过这些标志性基因的基因表达谱能够预测出剩余靶基因的基因表达谱值。这一想法能够很好地解决以往大规模基因表达谱预测费用昂贵的问题。人类社会在不断的发展过程中已经逐步开始进入人工智能时代,此时,学科融合成为技术发展的必经之路。因此,科学家们提出可以使用计算机方法通过标志性基因的基因表达谱值来预测靶基因的基因表达谱值。NIH LINCS项目组是最先开始寻找解决办法的,他们的初步尝试是线性回归算法,存在的缺点是不能够捕捉其中的非线性关系。接着,陈等人尝试使用深度学习即深度神经网络的算法来进行预测,能够在大多数靶基因的基因表达谱上达到比线性回归更低的平均绝对误差。本文基于深度神经网络的思路对该... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

线性回归示意图

第二章 理论研究基础度神经网络反向传播算法于神经网络的解释说明有很多，使用最广泛的是 1988 年，T．l Networks 创刊号上所作的解释，他表示神经网络最基本的目神经系统，生物神经网络能够针对现实世界给出适当反应，而似特性。这种网络是广泛的，并行的，互联的，由简单的具有的[24][30]。在机器学习领域，本文所说的神经网络指的是一种具络结构，其中神经元(指的是 M-P 神经元[15],结构图如图 2 2)是构进行互连的。在该模型中，输入信号 x被传递给该神经元并生输出信号y，其中，输入信号 x来自于上一层的神经元。具为1( )ni iiy f w x == 。

第二章 理论研究基础的神经网络比感知器模型的学习能力要好得多，因此简单为了更好的对多层网络进行训练，新的一类学习算法应运误差逆传播（Back Propagation，简称 BP）。该算法的学习用范围为多种结构类型的网络。本文介绍的深度神经网络络，它的学习过程通过误差逆传播算法进行求解，在现有围最广。这种算法是 1986 年由著名科学家 Rumelhart 和 是计算目标函数的最小值，通常采用的目标函数是网络选择梯度下降法。为了介绍方便，下图将推导过程中涉及示意图中标示出来，如图 2.3 所示。

【参考文献】：
硕士论文
[1]基于卷积神经网络的人脸年龄估计算法[D]. 周旺.南京大学 2017
[2]基于landmark基因集的深度学习基因表达预测方法[D]. 陈华宇.吉林大学 2017



本文编号：3287615