Оцінка ефективності використання нейронних мереж для даних експресії генів з експерименту РНК-секвенування поодиноких клітин

Abstract

Магістерська кваліфікаційна робота виконана студенткою групи КНСШ-21 Манько Анною Іванівною. Тема “Оцінка ефективності використання нейронних мереж для даних експресії генів з експерименту РНК-секвенування поодиноких клітин”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Віднедавна технології глибинного навчання (ГН) все більше привертають увагу бізнесу та наукової спільноти. Доведено, що вони можуть шукати реальні рішення проблем значно ефективніше та економніше, ніж багато інших підходів. Технологічний прогрес у біоінформатиці призвів до вибуху даних молекулярного та клітинного профілювання з великою кількості зразків. Це стрімке збільшення розміру біологічних даних і швидкості їх отримання ставить під сумнів традиційні підходи геномного аналізу. Сучасні методи машинного навчання, такі як глибинне навчання, обіцяють швидко створювати точні результати, використовуючи приховані дані. У роботі надано довідкову інформацію про те, як взаємодіють геноміка та штучний інтелект, при яких умовах можливо успішно поєднати дані технології. Існує перелік обмежень при аналізі геномних даних, один з яких - маловідомість щодо результатів. Саме тому потрібні вдосконалені методи оптимізації, щоб дослідити їх колосальний простір даних. У праці представлено аналіз існуючих методів штучного інтелекту для оцінки ефективності використання нейронних мереж для класифікації даних генної експресії з експерименту РНК-секвенування поодиноких клітин. Вони базуються на підходах аналізу послідовних даних - рекурентних нейронних мережах та аналогах . За допомогою даних підходів можливо значно скоротити ресурси та час пошуку взаємозвʼязків у геномі; пришвидшити виявлення мертвих клітин, створення лікарств. Тому, розглянуто різні методики, які формують основу для ефективної реалізації алгоритму. The number of studies using single-cell RNA sequencing (scRNA-seq) analysis to explore gene expression patterns is constantly growing. Although the current approach has many advantages, it is also known to be a very computationally demanding task. New types of methods are required to overcome those technical challenges. Artificial Intelligence (AI) has recently attracted tremendous attention both in academia and industry. With the availability of different types of Deep Learning (DL) algorithms, it has become common for biomedical researchers to apply them to speed up the process of gaining insights from the data, including scRNA-seq. However, the capability of using and improving the existing DL methods, and creating new ones is determined by the quantitative comparison of the already developed techniques. Unfortunately, there is no unique standard among state-of-the-art methods (datasets, metrics, frameworks) used for neural network training, often even with no initial data and code availability. The scRNA-seq DL methods benchmarking persists being the most uncovered and challenging part of the future research.