Bakalářská práce
Získaná ocenění: Cena děkana FI za vynikající závěrečnou práci

Machine learning techniques of mass spectra prediction

Filip Jozefov
Anotace

Táto bakalárska práca predstavuje komplexnú štúdiu uplatňovania hlbokých neuronových sieti na predpovedanie hmotnostnej spektrometrie z molekulárnych štruktúr. Navrhujeme a vyhodnocujeme tri modely hlbokého učenia založené na grafoch: Graph Convolutional Neural Networks (GCN), Graph Attention Networks (GAT) a TransformerConv s obojsmernou vrstvou. Tieto modely využívajú podobnosť grafov ú štruktúru …více

Abstract

This thesis presents a comprehensive study of applying deep learning models for predicting mass spectrometry from molecular structures. We propose and evaluate three graph-based deep learning models: Graph Convolutional Neural Networks (GCN), Graph Attention Networks (GAT), and Graph Convolutional Transformers (TransformerConv) with a bidirectional layer. These models exploit the inherent graph structure …více

Klíčová slova
mass spectrometry mass spectra prediction machine learning deep learning molecular fragmentation graph neural network transformer attention
Zadání práce
Hmotnostní spektrometrie je jedna z nejvýznamnějších experimentálních technik používaných k určení chemického složení vzorku, případně k potvrzení přítomnosti konkrétní sloučeniny v něm. Stěžejním krokem identifikace sloučeniny je porovnání naměřeného hmotnostního spektra s databází známých spekter. Tyto databáze jsou ale stále poměrně malé, obsahují statisíce záznamů ve srovnání např. se 750 miliony komerčně dostupných sloučenin v databázi ZINC (odhadovaný počet sloučenin v přírodě je ještě mnohořádově vyšší). Proto nabývá na významu predikce hmotnostního spektra ze vzorce sloučeniny in-silico.

Existuje celá řada výpočetních technik predikce hmotnostního spektra; ty byly původně konvenční, empirické i založené na kvantové mechanice, v posledních letech nabývají významu techniky založené na strojovém učení.

V teoretické části práce zpracuje stručnou rešerši technik predikce hmotnostního spektra, bude zaměřená na postupy využití strojového učení. Dále bude navržen systematický postup na vyhodnocení jejich přesnosti, který dovolí jejich objektivní srovnání.

V praktické části student natrénuje vybrané metody s použitím identické trénovací datové sady a provede srovnání jejich přesnosti na testovací sadě včetně adekvátní interpretace výsledků. Ukáže-li se to jako vhodné, navrhne také metodu vlastní (např. kompromis mezi přesností a rychlostí) a vyhodnotí její výsledky stejnou metodikou.

Administrativní informace
Práce zkontrolována:
19. 5. 2023 09:48, Mgr. Aleš Křenek, Ph.D., učo 3086
Plný text práce
3,1 MB / soubor PDF
Přílohy (1)
Jazyk práce
angličtina angličtina
Termín obhajoby
29. 6. 2023
Práce byla úspěšně obhájena

Vedoucí

Mgr. Aleš Křenek, Ph.D., učo 3086
CF BioData CSB CEITEC MU

Oponent

RNDr. Tomáš Rebok, Ph.D., učo 39685
VSTR VS CERIT SC ÚVT MU
Citovat tuto práci
Masarykova univerzita Fakulta informatiky
Studijní program
Plán
Informatika

Práce na příbuzné téma

Seznam prací, které mají shodná klíčová slova.

Podobné práce

  • Přidání souboru

    Soubor nebo složku lze nahrát pomocí tlačítka Přidat.

  • Další operace se soubory

    Podrobnosti lze zjistit označením příslušného řádku.

  • Pohled pro experty

    Pro častou práci je možné zvolit režim Více možností.

  • Vyhledávání souborů

    Vyhledávaný výraz můžete zadat přímo do adresního řádku.

  • Rychlý přístup k souborům

    Pomocí funkce Nedávné je možné se rychle vrátit k právě prohlíženým souborům. Oblíbené soubory je také možné označit Hvězdičkou.