Глава 1. Введение 3
Глава 2. Постановка задачи 5
Глава 3. Литературный обзор 5
Глава 4. Материал и методы 7
4.1. подоплека 7
Глава 5. Результаты 10
Глава 6. заключение 11
Список литературы 12
В биоинформатике формат FASTA является универсальным стандартом для хранения последовательностей нуклеотидов или последовательностей аминокислот. Fasta — это текстовый формат, состоящий из отдельных
букв, обозначающих каждый нуклеотид или аминокислоту. Последовательности генома представлены буквами, называемыми нуклеотидами или основаниями, с четырьмя различными символами, а именно гуанином (G), тимином
(T), аденином (A) и цитозином (C). Эти последовательности показаны в стандартных кодах нуклеиновых кислот и аминокислот IUB/IUPAC. [1].
Исследования генома стимулируют развитие персонализированной медицины и открытие лекарств от рака, редких заболеваний и других серьезных заболеваний. Однако данные генома гораздо более разнородны, чем в
физике, а сгенерированные файлы огромны и считаются конфиденциальной
личной информацией. Таким образом, их необходимо поддерживать таким
образом, чтобы поддерживать непрерывное обнаружение, а затем их необходимо удерживать для соответствия нормативным требованиям. Биологи
вступают в Клуб больших данных, и у них возникают проблемы с хранением,
обработкой и перемещением информации, которые когда-то были прерогативой астрономов и физиков высоких энергий. Следовательно, мы должны
сжимать эти данные, но из-за высокой скорости энтропии в данных генома
мы должны попробовать другой подход, чем традиционный. [2].
На видном месте сжатие касается того, как информация структурирована в данных, и переплетение этой структуры приводит к оптимизации отображения данных и, как следствие, к уменьшению их объема. Если производство
данных достигнуто, были предприняты шаги для их лучшего понимания и
более легкого представления. В тех случаях, когда невозможно правильно
определить источник, алгоритмы сжатия пытаются приблизительно обнаружить эту структуру и использовать ее при сжатии данных. Концептуальные
инструменты, разработанные для кодирования знаний, которые помогли сократить данные, помогли определить эти структуры, которые также использовались для анализа биологических данных.
Формальные грамматики были успешными моделями для анализа воз-
3растных последовательностей и извлечения их структуры. Изучение ДНК с
лингвистической точки зрения, которое привело к извлечению формальных
грамматик из их структуры, имеет продолжительность жизни, равную продолжительности жизни открытия ДНК.
В последние десятилетия требования к хранению значительно выросли.
С финансированием хранения проблем больше, чем с секвенированием. Это
большая проблема, с которой приходится сталкиваться современному ученому. Секвенирование стало более проблематичным, и эта проблема усложняет
весь процесс. Мотивация секвенировать и производить новые данные уменьшилась [3].
Такие данные поступают в виде коротких строк, длина которых обычно
находится в диапазоне 75-150. Каждый символ представляет собой нуклеотид
и может принимать значения A (аденин), C (цитозин), G (гуанин), T (тимин)
или N (ошибка в вызове основания). [4]. Все эти данные необходимо извлекать и обрабатывать, чтобы сохранить трафик ввода-вывода из-за медленной
вычислительной мощности. [5].
Важно сжать информацию без потери данных. Например, данные, созданные в определенное время, могут использоваться для ссылки на результаты других ранее созданных данных, что подразумевает повторную обработку, возможно, гораздо большего набора данных. Таким образом, необходимо
разработать надежный алгоритм сжатия данных без потерь. ар Построение
словаря V-грамм основано на принципе минимальной длины описания. Этот
подход позволяет нам достигать конкурентоспособных результатов в задачах
сжатия данных, таких как сжатие данных генома, по сравнению с другими
методами.
В этой работе предложен алгоритм сжатия данных генома без потерь с
использованием V-граммы с помощью построения словаря из последовательных данных на основе машинного обучения без присмотра и прогнозирования
следующих символов.
Наша работа показала, что можно сжимать последовательности генома
человека с помощью подхода рекуррентной нейронной сети. Это поможет
лучше понять законы, управляющие данными о последовательностях ДНК,
поскольку определение лучшего сжатия данных тесно связано с определением лучших моделей прогнозирования данных. Биологический анализ иссле-
11дует больше особенностей последовательностей генома в будущем, а методы
сжатия могут предоставить больше информации об избыточности и более высоком повышении производительности сжатия. и тандемные повторы и т.д.
