La genomica `e la disciplina che si occupa della struttura, sequenza, funzione
ed evoluzione del genoma, cio`e dell’informazione genetica contenuta nel DNA
presente nelle cellule di una particolare specie. Avendo a disposizione enormi
quantit`a di dati per l’uomo diventa difficile poterli analizzare tutti e riuscire
fare deduzioni su di essi. Perci`o fin dai primi anni di ricerca, in questa
branca della biologia, si `e resa fondamentale l’informatica per l’elaborazione
e la visualizzazione dei dati che produce, tanto da poter affermare che si basa
sulla bioinformatica. Con l’accrescere dei dati raccolti dalle ricerche, `e nata
la necessit`a di catalogarli in modo ordinato all’interno di enormi database.
Sono molteplici i progetti avviati con questo scopo, uno dei principali `e Gene
Ontology che mantiene e sviluppa un vocabolario controllato, e annota e
diffonde dati riguardanti i geni e le loro funzioni.
`E qui che entra in gioco il machine learning: grazie ai dati raccolti fino
ad ora sulle funzioni biologiche svolte dai prodotti dei geni, e ai metodi
introdotti dal machine learning come gli algoritmi supervisionati e le reti
neurali, `e ormai possibile aiutare la ricerca direzionando gli scienziati nelle
analisi e negli esperimenti da provare, utili per scoprire e confermare nuove
correlazioni tra geni e funzioni biologiche. Inoltre, essendo tutti gli organismi
legati dal punto di vista evolutivo, e quindi con un genoma pi`u o meno simile,
`e possibile trasferire le conoscenze apprese da uno di essi ad un altro: questo
`e ci`o che si intende per ”Transfer Learning Inter-Organismo”. In questa tesi
verranno sfruttate le reti neurali per trasferire queste conoscenze, proponendo
due metodologie differenti: una utilizza la struttura degli autoencoder, l’altra
invece crea classificatori differenti per ogni valore da predire usando il deep
learning.
 

https://amslaurea.unibo.it/17018/1/Individuazione%20di%20Nuove%20Funzioni%20Biologiche%20di%20Geni%20mediante%20Transfer%20Learning%20Inter-Organismo%20con%20Reti%20Neurali%20Autoencoder.pdf