Developing Ensemble Learning and Neural Network Architectures for Technical Variation Removal and Missing View Imputation in Multi-Timepoint Omics Data

Han, Siyu

User: Guest

Biowissenschaften

Back
Back to start of result list
Permanent link for displayed object

If you experience problems opening the document, please try this link.

Original title:: Developing Ensemble Learning and Neural Network Architectures for Technical Variation Removal and Missing View Imputation in Multi-Timepoint Omics Data
Translated title:: Entwicklung von Ensemble-Lernen und neuronalen Netzwerkarchitekturen für die Beseitigung technischer Variationen und die Imputation fehlender Ansichten in Omics-Daten mit mehreren Zeitpunkten
Author:: Han, Siyu
Year:: 2025
Document type:: Dissertation
Faculty/School:: TUM School of Medicine and Health
Institution:: Lehrstuhl für Translationale Genomik (HMGU) (Prof. Zeggini)
Advisor:: Zeggini, Eleftheria (Prof. Dr.)
Referee:: Zeggini, Eleftheria (Prof. Dr.); Frishman, Dmitrij (Prof. Dr.)
Language:: en
Subject group:: BIO Biowissenschaften; CIT Chemie-Ingenieurwesen, Technische Chemie, Biotechnologie
TUM classification:: BIO 180; CIT 972
Abstract:: Advancements in omics technologies provide multi-timepoint data, offering unique insights into temporal dynamics, with unique potential for personalized healthcare. However, technical variations and missing views hinder the translation to healthcare applications. In this dissertation, TIGER and LEOPARD, two computational tools are developed to enhance the reliability and reproducibility of multi-timepoint omics datasets, enabling more robust healthcare analyses.
Translated abstract:: Fortschritte in Omics-Technologien ermöglichen die Generierung von Daten zu verschiedenen Zeitpunkten, die einzigartige Einblicke in zeitliche Dynamiken und personalisierte Gesundheitsversorgung bieten. Technische Variationen und fehlende Ansichten erschweren jedoch die Dateninterpretation für Gesundheitsanwendungen. Die vorliegende Dissertation hat mit TIGER und LEOPARD zwei Werkzeuge zur Verbesserung der Zuverlässigkeit und Reproduzierbarkeit von Multi-Timepoint-Omics-Daten entwickelt, die robustere Gesundheitsanalysen ermöglichen. «
Fortschritte in Omics-Technologien ermöglichen die Generierung von Daten zu verschiedenen Zeitpunkten, die einzigartige Einblicke in zeitliche Dynamiken und personalisierte Gesundheitsversorgung bieten. Technische Variationen und fehlende Ansichten erschweren jedoch die Dateninterpretation für Gesundheitsanwendungen. Die vorliegende Dissertation hat mit TIGER und LEOPARD zwei Werkzeuge zur Verbesserung der Zuverlässigkeit und Reproduzierbarkeit von Multi-Timepoint-Omics-Daten entwickelt, die rob... »
WWW:: https://mediatum.ub.tum.de/?id=1750395
Date of submission:: 08.08.2024
Oral examination:: 14.03.2025
File size:: 54393093 bytes
Pages:: 163
Urn (citeable URL):: https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20250314-1750395-0-4
Last change:: 07.04.2025
BibTeX