运用卷积神经网络识别小鼠昼夜节律表型

论文摘要

昼夜节律(circadianrhythm)是指生物体以约24小时为周期活动变化的一种生理现象。当生物节律被破坏时,许多生理过程和行为都会异常。因此,研究生物昼夜节律具有重要意义。论文中我们利用突变小鼠活动和饮食的大规模数据,运用卷积神经网络识别小鼠活动和饮食的昼夜节律表型。论文的主要工作包括如下两个部分:(1)卷积神经网络与训练集构造;使用IMPC建立的数据库中的数据,运用卷积神经网络进行识别。但是IMPC数据库中大部分小鼠的数据形态与野生型小鼠的数据形态一致,缺失有表型的数据,大部分数据都偏向正常态。因此,数据偏差(bias)很大,无法直接选取IMPC数据库中的部分数据作为训练集。接下来,我们利用小鼠的饮食和活动的真实实验数据的特征,人工构造训练集。然后运用两层的卷积神经网络进行训练,获得可进行识别的预测卷积神经网络模型。(2)小鼠表型识别;小鼠的饮食和活动通常呈现两个峰的形状,其中第一个高峰是主峰,高度更高。我们将两个高峰高度异常作为生物昼夜节律异常的指标。运用卷积神经网络自动化识别出两个峰高度倒置的表型。在四个中心的饮食和活动中找到数个基因,缺失这些基因的小鼠的表型都表现出高峰倒置的特征。论文的创新点是对于数据集偏差大和缺乏已标记的训练集,提供了一种人工产生可行的训练集的方法,并搭建相应的卷积神经网络进行训练。论文中运用卷积神经网络自动化判别节律异常的表型基因,这种方法为大规模节律性数据的识别提供了可能,与现在非自动化判断技术有了质的进步。本文设计了基于合成的训练集并运用卷积神经网络自动、高效、准确的识别大规模生物数据中参数的一种方法,也为缺失标记好的训练集的机器学习算法,提供了设计思路。本文筛选得到的基因,也为进一步生物实验研究提供候选靶点。

论文目录

• 摘要
• Abstract
• 第一章 引言
•   1.1 生物节律的背景
•   1.2 小鼠饮食和活动特性
•   1.3 深度学习与卷积神经网络的研究进展
•   1.4 本文研究的主要内容及意义
• 第二章 卷积神经网络理论
•   2.1 传统的人工神经网络
•   2.2 基于误差反向传播的多层感知器—BP神经网络
•     2.2.1 BP网络模型
•     2.2.2 BP网络误差定义与权值调整
•     2.2.3 BP算法推导
•   2.3 卷积神经网络
•   2.4 卷积神经网络构成
•     2.4.1 卷积层
•     2.4.2 激活层
•     2.4.3 池化层
•     2.4.4 全连接层
•     2.4.5 Dropout层
•     2.4.6 Batch Normalization层
• 第三章 基于卷积神经网络的设计与训练
•   3.1 数据的来源与预处理
•     3.1.1 程序化地实现非真实及受干扰数据的去除
•       3.1.1.1 去除远离正常范围的数据点
•       3.1.1.2 去除突跳数据点
•       3.1.1.3 去除相邻差距较大的数据点
•     3.1.2 系统化的补点
•       3.1.2.1 中间补点
•       3.1.2.2 两端补点
•   3.2 定义节律性生物指标
•   3.3 自动化识别小鼠活动和饮食节律的两个高峰的过程
•     3.3.1 人工产生训练集
•       3.3.1.1 取均值和找极值点
•       3.3.1.2 系统性扰动
•       3.3.1.3 保极值插值
•       3.3.1.4 单点扰动
•   3.4 搭建卷积神经网络
• 第四章 小鼠饮食和活动双峰高度的识别
•   4.1 AI自动化识别双峰高度的结果
•   4.2 识别结果的统计分析
•   4.3 识别异常表型
•     4.3.1 AI提供候选数据
•     4.3.2 人工筛选
• 第五章 总结与展望
•   5.1 总结
•   5.2 展望
• 参考文献
• 致谢

文章来源

类型: 硕士论文

作者: 赵敏

导师: 杨凌

关键词: 昼夜节律,算法,深度学习,卷积神经网络

来源: 苏州大学

年度: 2019

分类: 基础科学,信息科技

专业: 生物学,计算机软件及计算机应用,自动化技术

单位: 苏州大学

分类号: Q418;TP311.13;TP183

DOI: 10.27351/d.cnki.gszhu.2019.003083

总页数: 56

文件大小: 5604K

下载量: 16