MARC

 008260311s2025        us                                    eng  d
■001000017357553
■00520260311091529.5
■006m          o    d                
■007cr|nu||||||||
■020    ▼a9798280710337
■040    ▼aMiAaPQD▼beng▼cMiAaPQD▼erda
■082    ▼a001
■1001  ▼aHo  Pahng,  Seong  ▼eauthor.▼0(orcid)0000-0002-9247-7425
■24510▼aDeveloping  Differentiable  Toolkits  for  Computational  Biology  ▼cSeong  Ho  Pahng
■260    ▼a[Sl]▼bHarvard  University▼c2025
■264  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a1  electronic  resource  (128  pages)
■336    ▼atext▼btxt▼2rdacontent
■337    ▼acomputer▼bc▼2rdamedia
■338    ▼aonline  resource▼bcr▼2rdacarrier
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisors:  Hormoz,  Sahand    Committee  members:  Shakhnovich,  Eugene;  Mason,  Jarad.
■5021  ▼bPh.D.▼cHarvard  University▼d2025.
■520    ▼aIn  any  biological  experiment,  no  matter  how  sophisticated,  we  capture  only  a  small,  noisy  glimpse  of  a  complex  underlying  process.  For  dry-lab  researchers,  interpreting  these  messy  data  raises  a  fundamental  question:  should  one  strive  for  a  mechanistic  understanding  of  the  biological  processes  involved,  or  simply  focus  on  data  analysis  for  a  specific  task?  This  dissertation  presents  three  computational  tools  that  emerged  from  our  attempt  to  strike  a  balance  between  these  two  extremes  when  modeling  novel  data.Chapter  1  presents  two  stochastic  models  that  address  the  major  contamination  issues  in  probebased  bacterial  single-cell  sequencing:  spurious  unique  molecular  identifier  (UMI)  counts  and  the  difficulty  of  distinguishing  genuine  cellular  signals  from  noise.  By  modeling  two  specific  steps  of  the  10x  sequencing  pipeline,  these  methods  accurately  infer  true  UMI  counts  and  identify  real  cells,  enabling  downstream  single-cell  analyses  that  revealed  heterogeneous  toxin  expression  in  isogenic  C.  perfringens  populations.Chapter  2  employs  a  deep  learning  technique  to  predict  cellular  responses  in  Perturb-seq  experiments.  We  posit  that  the  intermediate  biological  adaptations  governing  these  responses  are  driven  by  gene  regulatory  networks  composed  of  directed,  nonreciprocal  interactions.  To  model  such  interactions,  we  propose  a  novel  directed  graph  neural  network  (CoED)  along  with  a  new  Laplacian  (Fuzzy  graph  Laplacian)  that  better  captures  directional  effects.  We  show  that  learning  both  the  edge  directions  and  the  CoED  parameters  simultaneously  improves  predictive  performance  over  existing  methods.Chapter  3  presents  a  differentiable  in  silico  morphogenesis  framework  that  learns  to  transform  a  spherical  arrangement  of  point  clouds  into  any  desired  3D  shape.  To  compare  3D  objects  in  a  manner  invariant  to  index  permutations,  density,  and  orientation,  we  design  a  loss  function  that  operates  in  the  spectral  domain.  We  also  propose  a  neural  network-based  force  model  in  which  individual  agents  learn  to  interact  so  that,  collectively,  the  system  forms  the  target  shape.
■546    ▼aEnglish
■590    ▼aSchool  code:  0084
■650  4▼aBiology
■650  4▼aApplied  mathematics
■650  4▼aBioinformatics
■653    ▼aComputational  tools
■653    ▼aUnique  molecular  identifier
■653    ▼aSingle-cell  sequencing
■653    ▼aData  analysis
■7102  ▼aHarvard  University▼bChemistry  and  Chemical  Biology.▼edegree  granting  institution.
■7201  ▼aHormoz,  Sahand▼edegree  supervisor.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357553▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서