Techniken des maschinellen Lernens zur Analyse von Hochdurchsatz-DNA- und RNA-Sequenzierungsdaten

Klambauer, Günter

Techniken des maschinellen Lernens zur Analyse von Hochdurchsatz-DNA- und RNA-Sequenzierungsdaten

dc.contributor.author	Klambauer, Günter
dc.contributor.editor	Hölldobler, Steffen
dc.date.accessioned	2020-08-21T08:50:41Z
dc.date.available	2020-08-21T08:50:41Z
dc.date.issued	2015
dc.description.abstract	Die Bioinformatik ist seit vielen Jahren wichtiger Bestandteil der Forschung in der Medizin, Biologie, Pharmakologie, Molekularbiologie und Genetik und viele wissenschaftliche Erkenntnisse wären ohne die Bioinformatik gar nicht möglich gewesen. Seit der Entwicklung der Hochdurchsatz-Sequenzierung vor etwa 10 Jahren sind die wissenschaftlichen Erkenntnisse in den Life Sciences explodiert, da man DNA und RNA Sequenzen innerhalb von wenigen Tagen entschlüsseln kann. In dieser Arbeit werden zwei neue Methoden zur Analyse von Hochdurchsatz-Sequenzierungsdaten, genannt "cn.MOPS" und "DEXUS", präsentiert: cn.MOPS identifiziert Kopienzahlvariationen in DNA-Sequenzierungsdaten und DEXUS detektiert differenziell exprimierte Gene in RNA-Sequenzierungsdaten. Beide Methoden basieren auf einem probabilistischen Modell und sind rechnerisch sehr effizient, so dass sie große Mengen an Daten verarbeiten können, was in der Bioinformatik ein wichtiges Kriterium ist. cn.MOPS und DEXUS wurden auf einer großen Zahl von Benchmark-Datensätzen und auch auf vielen Datensätzen mit hoch relevanten biologischen Fragestellungen getestet. Auf diesen Datensätzen liefern sie hervorragende Ergebnisse.	de
dc.identifier.isbn	978-3-88579-419-6
dc.identifier.pissn	1617-5468
dc.identifier.uri	https://dl.gi.de/handle/20.500.12116/33831
dc.language.iso	de
dc.publisher	Gesellschaft für Informatik
dc.relation.ispartof	Ausgezeichnete Informatikdissertationen 2014
dc.relation.ispartofseries	Lecture Notes in Informatics (LNI) - Dissertations, Volume D-15
dc.subject	Bioinformatik
dc.subject	maschinelles Lernen
dc.subject	Sequenzierung
dc.subject	EM-Algorithmus
dc.subject	Statistik
dc.title	Techniken des maschinellen Lernens zur Analyse von Hochdurchsatz-DNA- und RNA-Sequenzierungsdaten	de
gi.citation.endPage	140
gi.citation.publisherPlace	Bonn
gi.citation.startPage	131

Dateien

Originalbündel

1 - 1 von 1

Name:: 131.pdf
Größe:: 975.63 KB
Format:: Adobe Portable Document Format

Herunterladen

Sammlungen

D15 (2014) - Ausgezeichnete Informatikdissertationen