MARC

 008200131s2019                                          c    eng  d
■001000015493561
■00520200217182143
■020    ▼a9781085696005
■035    ▼a(MiAaPQ)AAI22618715
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aHao,  Yuning.
■24510▼aStatistical  and  Computational  Methods  for  Biological  Data
■260    ▼a[Sl]▼bMichigan  State  University▼c2019
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2019
■300    ▼a101  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  81-03,  Section:  B.
■500    ▼aIncludes  supplementary  digital  materials.
■500    ▼aAdvisor:  Xie,  Yuying.
■5021  ▼aThesis  (Ph.D.)--Michigan  State  University,  2019.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■506    ▼aThis  item  must  not  be  added  to  any  third  party  search  indexes.
■520    ▼aThe  development  of  biological  data  focuses  on  machine  learning  and  statistical  methods.  In  immunotherapy,  gene-expression  deconvolution  is  used  to  quantify  different  types  of  cells  in  a  mixed  population.  It  provides  a  highly  promising  solution  to  rapidly  characterize  the  tumor-infiltrating  immune  landscape  and  identify  cold  cancers.  However,  a  major  challenge  is  that  gene-expression  data  are  frequently  contaminated  by  many  outliers  that  decrease  the  estimation  accuracy.  Thus,  it  is  imperative  to  develop  a  robust  deconvolution  method  that  automatically  decontaminates  data  by  reliably  detecting  and  removing  outliers.  Our  development  of  an  algorithm  called  adaptive  Least  Trimmed  Square  (aLTS)  identifies  outliers  in  regression  models,  allows  us  to  effectively  detect  and  omit  the  outliers,  and  provides  us  robust  estimations  of  the  coefficients.  For  the  guarantees  of  the  convergence  property  and  parameters  recovery,  we  also  included  certain  theoretical  results.Another  interesting  topic  is  the  investigation  of  the  association  of  phenotype  responses  with  the  identified  intricate  patterns  in  transcription  factor  binding  sites  for  DNA  sequences.  To  address  these  concerns,  we  pushed  forward  with  a  deep  learning-based  framework.  On  one  hand,  to  capture  regulatory  motifs,  we  utilized  convolution  and  pooling  layers.  On  the  other  hand,  to  understand  the  long-term  dependencies  among  motifs,  we  used  position  embedding  and  multi-head  self-attention  layers.  We  pursued  the  improvement  of  our  model's  overall  efficacy  through  the  integration  of  transfer  learning  and  multi-task  learning.  To  ascertain  confirmed  and  novel  transcription  factor  binding  motifs  (TFBMs),  along  with  their  relationships  internally,  we  provided  interpretations  of  our  DNA  quantification  model.
■590    ▼aSchool  code:  0128.
■650  4▼aStatistics
■650  4▼aComputer  science
■690    ▼a0463
■690    ▼a0984
■71020▼aMichigan  State  University▼bStatistics  -  Doctor  of  Philosophy.
■7730  ▼tDissertations  Abstracts  International▼g81-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0128
■791    ▼aPh.D.
■792    ▼a2019
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T15493561▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202002▼f2020

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서