Sirvi Autor "Tampuu, Ardi" järgi

Nüüd näidatakse 1 - 3 3

DNA mutatsiooniliste signatuuride õppimine tehisnärvivõrkude abil
(2016) Tammeveski, Lauri; Zafra, Raul Vicente; Parts, Leopold; Matiisen, Tambet; Tampuu, Ardi
Kõik pahaloomulised vähkkasvajad on põhjustatud organismi rakkudes\n\rtoimuvate mutatsioonide poolt. On leitud, et need mutatsioonid\n\ron moodustatud spetsiifiliste mustrite ehk signatuuride kombinatsioonist,\n\rmille aluseks olevad protsessid on tihti teada. Seetõttu on nende\n\rsignatuuride õppimine andmetest väga tähtis — see võib anda paremat\n\rinformatsiooni vähkkasvajate mehhanismide kohta ja olla abiks\n\rvähi ennetamisel ja teraapial. Antud töö eesmärk on testida ja võrrelda\n\rerinevaid metoodikaid, et parandada mutatsiooniliste signatuuride\n\rleidmist. Me võrdlesime kolme uut meetodit — tehis-närvivõrgud\n\r(NN), mittenegatiivsed faktorvõrgud (RFN) ja teemade modelleerimine\n\r— praegu kasutatava mittenegatiivse maatriksi faktoriseerimisega\n\r(NMF). Me eksperimenteerisime meetoditega kolmel orgaanilisel ja kolmel\n\rsünteetilisel andmestikul ning mõõtsime rekonstrueerimise viga, tulemuse\n\rhõredust ja arvutusteks kulunud aega. Tulemused näitavad, et\n\rNMF annab väikseima veaga tulemuse kergematel andmestikel, kuid ka\n\rRFN-i tulemus on ligilähedane ning kõikidel teistel andmestikel saavutab\n\rsee parema tulemuse. NN esineb sama hästi kui RFN keerulisematel\n\randmestikel ning lisaks saavutab üleüldiselt kõige hõredamad tulemused.\n\rNMF-i eeliseks on stabiilsuse arvutamise funktsionaalsus, mis väga\n\rtäpselt suudab määrata õige signatuuride arvu. Tulevikus tuleb teha\n\redasist arendustööd, et sarnane võimekus ka RFN ja NN meetoditele\n\rlisada, mille järel oleks võimalik nende praktiline kasutamine mutatsiooniliste\n\rsignatuuride õppimisel.
Neural networks for analyzing biological data
(2020-09-02) Tampuu, Ardi; Zafra, Raul Vicente, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Tehisnärvivõrgud viimastel aastatel populaarsust kogunud masinõppe algoritm, mis on võimeline näidete põhjal õppima. Erinevad tehisnärvivõrkude alamtüübid on kasutusel mitmetes arvutiteaduse harudes: konvolutsioonilisi võrke rakendatakse objekti- ja näotuvastuses; rekurrentsed võrgud on efektiivsed kõnetuvastuses ja keeletehnoloogias. Need ei ole aga ainsad võimalikud tehisnärvivõrkude rakendamise valdkonnad - selles doktoritöös näitasime me tehisnärvivõrkude kasulikkust kahe bioloogilise probleemi lahendamisel. Esiteks küsisime, kas ainult DNA jupis sisalduva info põhjal on võimalik ennustada, kas see järjestus pärineb viiruse (ja mitte mõnda muud tüüpi organismi) genoomist. Läbi kahe publikatsiooni tõestasime me, et masinõppe algoritmid on selleks tõesti võimelised. Parima täpsuse saavutas konvolutsiooniline närvivõrk. Loodud lahendus võimaldab viroloogidel tuvastada seni tundmatuid viiruseliike, millel võib olla oluline mõju inimese tervisele. Teine käsitletud bioloogiline andmestik pärineb neuroteadusest. Imetajate hipokampuses esineb nn. koharakke, mis aktiveeruvad vaid juhul, kui loom asub teatud ruumipunktis. Näitasime, et rekurrentsete närvivõrkude abil saab vaid mõnekümne koharaku aktiivsuse põhjal ennustada roti asukohta ligi 10 cm täpsusega. Rekurrentsed võrgud osutusid efektiivsemaks kui neuroteaduses enim levinud Bayesi meetodid. Need võrgud suudavad kasutada rakkude eelnevat aktiivsust kontekstina, mis aitab täpsustada asukoha ennustust. Ka teistes neuroandmestikes võib eelnev ajuaktiivsus peegeldada konteksti, mis sisaldab olulist infot hetkel toimuva kohta. Seega võivad rekurrentsed tehisnärvivõrgud osutuda ajusignaalide mõistmisel ülimalt kasulikuks. Samuti on bioinformaatikas veel hulk andmestikke, kus konvolutsioonilised võrgud võivad osutuda efektiivsemaks kui senised meetodid. Loodame, et käesolev töö julgustab teadlasi tehisnärvivõrke proovima ka oma andmestikel.
Praktiline andmeteadus. Kõrgkooliõpik
(Tartu Ülikooli arvutiteaduse instituut, 2024) Sügis, Elena; Tampuu, Ardi; Aljanaki, Anna; Fišel, Mark; Kull, Meelis; Saul, Eva, toimetaja; Liiv, Innar, retsensent; Aan, Janika, retsensent; Vilo, Jaak, retsensent; Laur, Sven, retsensent