Benutzer: Gast  Login
Originaltitel:
Learning of Probabilistic Models to Infer Gene Regulatory Networks 
Übersetzter Titel:
Lernen von Probabilistischen Modellen zum Ableiten Genregulatorischer Netzwerke 
Jahr:
2016 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Informatik 
Betreuer:
Rost, Burkhard (Prof. Dr.) 
Gutachter:
Rost, Burkhard (Prof. Dr.); Kramer, Stefan (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
BIO Biowissenschaften 
Stichworte:
Time series, gene expression, gene regulatory networks 
TU-Systematik:
BIO 110d 
Kurzfassung:
Among the key objectives of gene regulatory network (GRN) inference are the analysis of time series, development of suitable workflows to find new regulatory relations, and the integration of heterogeneous data sources. This thesis contributes to the analysis of gene expression time series, by both the integration of prior knowledge about network structures, known interactions, as well as suitable data discretization. Additionally, to the development of an easily adaptable analysis workflow to...    »
 
Übersetzte Kurzfassung:
Zu den Kernaufgaben der Inferenz von genregulatorischen Netzwerken (GRN) zählt die Analyse von Zeitreihen, das Entwickeln geeigneter Workflows für das Auffinden neuer regulatorischer Abhängigkeiten sowie die Integration von heterogenen Datenquellen. Diese Arbeit beschäftigt sich mit der Analyse von Genexpressions-Zeitreihen mittels Integration von Vorwissen über die Netzwerkstruktur, bekannten Interaktionen, sowie geeigneter Datendiskretisierung. Darüber hinaus mit einem einfach anzupassenden Wo...    »
 
Mündliche Prüfung:
12.09.2016 
Dateigröße:
26448996 bytes 
Seiten:
188 
Letzte Änderung:
28.09.2016