Детальная информация

В данной работе осуществляется разработка метода генерации синтетических изображений на основе генотипа нута и оптимизация архитектуры сверточной нейронной сети для прогнозирования устойчивости к аскохитозу. В ходе разработки: 1. создан алгоритм преобразования SNP-данных в синтетические изображения с использованием MDS и оптимизации REFINED, сохраняющий структурные взаимосвязи между генетическими маркерами; 2. построена модифицированная архитектура CondenseNet с интеграцией принципов FBNet, что позволило: • автоматически адаптировать структуру сети под специфику геномных данных; • увеличить точность предсказания с 73% до 81%; • снизить вычислительную сложность на 15.6% (до 354.39M FLOPs); 3. выявлены ключевые SNP-маркеры, значимо влияющие на устойчивость к аскохитозу. Проведены исследования влияния алгоритма оптимизации изображений на качество обучения нейронной сети. Проведена оценка качества работы обученной модели на тестовой выборке, а также оценка точности предсказаний. К разработанной модели применены методы интерпретации, позволившие выявить наиболее значимые генетические маркеры. В дальнейшем результаты исследования могут быть использованы для: • Ускоренной селекции устойчивых сортов нута • Адаптации метода для других сельскохозяйственных культур • Применения в медицинской геномике для прогнозирования заболеваний.

The thesis focuses on developing a method for generating synthetic images from chickpea genotype data and optimizing a CNN architecture to predict ascochyta blight resistance. Key achievements: 1. Developed an SNP-to-image transformation algorithm using MDS and REFINED optimization 2. Created a modified CondenseNet architecture with FBNet principles achieving: • 81% prediction accuracy (vs 73% baseline) • 15.6% lower computational complexity 3. Identified key SNP markers associated with disease resistance The research demonstrates practical applications for: • Accelerated breeding of resistant crops • Scalable genomic prediction models • Biomedical research adaptation Future directions include expansion to other phenotypic traits and optimization for next-generation sequencing data.

• ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
• СИНТЕТИЧЕСКИЕ ИЗОБРАЖЕНИЯ ДЛЯ ПРЕДСТАВЛЕНИЯ ДАННЫХ В МОДЕЛИ ГЕНОМНОГО ПРОГНОЗИРОВАНИЯ
• ЗАДАНИЕ
• РЕФЕРАТ
• ABSTRACT
• СОДЕРЖАНИЕ
  • ВВЕДЕНИЕ
  • ОБЩАЯ СХЕМА ИССЛЕДОВАНИЯ
  • ИСХОДНЫЕ ДАННЫЕ
  • 1. СОЗДАНИЕ СИНТЕТИЧЕСКОГО ИЗОБРАЖЕНИЯ С ПОМОЩЬЮ АЛГОРИТМА MDS
  • 2. ПОСТРОЕНИЕ МОДЕЛИ ПРОГРОЗИРОВАНИЯ ФЕНОТИПИЧЕСКИХ ПРИЗНАКОВ НА ОСНОВЕ СИНТЕТИЧЕСКИХ ИЗОБРАЖЕНИЙ
  • 2.1. CondenseNet
  • 2.2. FBNet
  • 2.3. Оптимизация сверточной сети CondenseNet с помощью нейронной сети FBNet
  • 3. РЕЗУЛЬТАТЫ
  • ВЫВОДЫ
  • ЗАКЛЮЧЕНИЕ
  • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ