Dissertação
Graph Neural Networks for Link Prediction of Nucleus-Golgi polarity vectors EVALUATED
Um aspecto crucial da organização celular é o estabelecimento de vectores de polaridade entre núcleos e o Golgi, que dita a direção do movimento dos organelos e do tráfego molecular dentro das células e influencia processos celulares críticos como a angiogénese, a formação de novos vasos sanguíneos a partir de vasos pré-existentes. Portanto, é essencial prever as conexões existentes entre núcleos e Golgi, devido à sua influência nesses processos. Abordagens anteriores para prever vetores de polaridade núcleo-Golgi utilizaram ou versões clássicas de algoritmos de correspondência bipartida, como o algoritmo Húngaro para previsão de conexões, ou utilizaram máscaras de segmentação para associar núcleos e Golgi, evitando a necessidade de treinar um classificador para a previsão de conexões, realizando ao invés segmentação e pareamento conjuntos. Este trabalho apresenta uma abordagem inovadora para a previsão de conexões núcleo-Golgi usando modelos de Redes Neuronais para Grafos, aplicando pela primeira vez modelos de aprendizagem profunda à previsão de conexões entre núcleos e Golgi. A nossa proposta identifica uma arquitetura de rede neuronal optimizada para esta tarefa, examina a robustez dos modelos em vários tipos de dados e aplica restrições de correspondência bipartida para melhorar o desempenho dos modelos de aprendizagem profunda especificamente para esta tarefa. Embora os algoritmos clássicos de correspondência bipartida se destaquem com dados manualmente anotados e sintéticos, nossos modelos de Redes Neuronais para Grafos superam esses algoritmos em dados com centróides detectados automaticamente por um modelo CNN.
junho 19, 2024, 11:0
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Maria Margarida Campos da Silveira
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado