FenixEdu™

Dissertação

Deep learning on chaos game representation of genetic sequences EVALUATED

Detalhes: Esta dissertação explora a aplicação de técnicas de aprendizagem profunda à representação CGR de sequências genéticas, com um foco especial na classificação de genomas virais. O trabalho desenvolvido analisa as capacidades das técnicas de aprendizagem profunda em extrair características das imagens para o desenvolvimento de um modelo preciso de classificação de genomas virais. Os objetivos desta dissertação são rever e a avaliar o estado da arte relativo à aplicação de técnicas de aprendizagem profunda a representações CGR para a análise de dados genómicos e propor e avaliar um classificador de genomas virais baseado numa CNN, utilizando o CGR como técnica de mapeamento. Esta abordagem é aplicada em duas experiências: na subtipagem dos vírus do HPV, Dengue e Influenza, e na taxonomia do vírus associado à doença COVID-19. As principais contribuições deste trabalho são o desenvolvimento de um classificador de genomas virais eficiente e preciso que consegue bons resultados em ambas as experiências. Este trabalho explora como a utilização de diferentes comprimentos das sequências usados para gerar o CGR afetam o desempenho do classificador, investigando assim o conceito de assinatura genómica. Além disso, também se explora como a utilização de comprimentos diferentes dos k-mer afeta o classificador no caso da representação FCGR. Em conclusão, este trabalho aprofunda a aplicação de técnicas de aprendizagem profunda para análise de informação genética e também estabelece uma abordagem robusta para a classificação de genomas virais, o que é crucial para avanços na investigação médica e em políticas de saúde públicas.
Keywords: Chaos Game Representation, Aprendizagem profunda, CNN, Classificação de Genomas Virais, Taxonomia do COVID-19

Discussão: junho 21, 2024, 14:0

Documentos da dissertação ainda não disponíveis publicamente