지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이규철
- 발행연도
- 2023
- 저작권
- 충남대학교 논문은 저작권에 의해 보호받습니다.
이용수1
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
lncRNA is a non-coding RNA consisting of more than 200 nucleotides. Non-coding RNA had been regarded to be of minor importance because it cannot directly produce proteins, but it has been found that non-coding RNA plays a role in regulating protein expressions and many studies have recently been conducted. Abnormal expression of lncRNAs is the cause of various diseases, and by predicting the association between lncRNAs and diseases, it can help diagnose in the early stages of diseases or prevent diseases. On the other hand, it is important to apply a computational method to solve these problems, since studies that predicts the association between lncRNA and disease as well as biological data require a long time and a large cost when conducting direct experiments. Therefore, in this study, we propose a lncRNA-disease association prediction model based on LSTM (Long Short-Term Memory).
In addition, in existing studies, negative samples are randomly generated, but in this case, there is uncertainty in the generated negative samples, such as samples close to the positive ones. Therefore, in this study, we also propose a data labeling method based on distance to solve this uncertainty. The distance measurement methods applied in this study are Euclidean distance, cosine similarity, and Mahalanobis distance.
The data labeling method and classification model presented in this study achieved the highest AUC of 0.97, which is an improvement of about 0.20 in the AUC score compared to the input data without labeling.
In addition, in existing studies, negative samples are randomly generated, but in this case, there is uncertainty in the generated negative samples, such as samples close to the positive ones. Therefore, in this study, we also propose a data labeling method based on distance to solve this uncertainty. The distance measurement methods applied in this study are Euclidean distance, cosine similarity, and Mahalanobis distance.
The data labeling method and classification model presented in this study achieved the highest AUC of 0.97, which is an improvement of about 0.20 in the AUC score compared to the input data without labeling.
목차
Ⅰ. 서 론 11. 연구 배경 및 필요성 12. 논문 구성 3Ⅱ. 관련 연구 51. lncRNA 관련 computational model 연구 52. 관련 Dataset 73. 딥러닝 기반 lncRNA-질병 연관성 예측 연구 94. 관련 연구의 문제점 및 본 연구와의 차별성 14Ⅲ. Dataset 및 feature vector 생성 151. 본 연구에서 사용한 Dataset 152. lncRNA feature vector 163. 질병의 feature vector 184. 포지티브 입력 데이터 구축 19Ⅳ. 거리 기반 레이블링을 적용한 네거티브 샘플 구축 211. 개요 및 샘플 구축 단계의 구성 212. 네거티브 후보군 A 생성 223. 네거티브 후보군 B 생성 234. 네거티브 후보군 C 생성 275. 최종 입력 데이터 28Ⅴ. 딥러닝 모델 구축 및 평가 301. 딥러닝 모델 개요 302. 딥러닝 모델 설계 313. 실험 개요 및 성능 평가 지표 334. 모델 성능 평가 결과 35Ⅵ. 결론 및 향후 연구 38참고문헌 40부록 43ABSTRACT 44감사의 글 46
최근 본 자료
댓글(0)
0