<p dir="ltr">Multi-omic studies ranging from genomics, transcriptomics (e.g., gene expression) to proteomics data exploration have been widely applied to interpret findings from genome wide association studies (GWAS) of Alzheimer's disease (AD). However, previous studies examine each -omics data type individually and the functional interactions between genetic variations, genes and proteins are only used after discovery to interpret the findings, but not beforehand. In this case, multi-omic findings are likely not functionally related and therefore it is challenging for result interpretation. To handle this challenge, we present new modularity constrained least absolute shrinkage and selection operator (M-LASSO), new modularity constrained logistic regression (M-Logistic), new interpretable multi-omic graph fusion neural network model (MoFNet) and new transfer learning framework integrated graph fusion neural network model (TransFuse) to integrate prior biological knowledge to model the functional interactions of multi-omic data. These approaches aim to identify functional connected sub-networks predictive of AD. In this thesis, the intrepretable model MoFNet and TransFuse incorporate prior biological connected multi-omics network, and for the first time model the dynamic information flow from deoxyribonucleic acid (DNA) to ribonucleic acid (RNA) and proteins. While applying the proposed models on multi-omic data from the religious orders study/memory and aging project (ROS/MAP) cohort, MoFNet and TransFuse outperformed all other state-of-art classifiers. Instead of targeting individual markers, the proposed methods identified multi-omic sub-networks associated with AD. MoFNet and TransFuse, produced sub-network and pathway findings that were robustly validated in another independent cohort. These identified gene/protein networks highlight potential pathways involved in AD pathogenesis and could offer systematic overview for understanding the molecular mechanisms of the disease. Investigating these identified pathways in more detail could help uncover the mechanisms causing synaptic dysfunction in AD and guide future research into potential therapeutic targets.</p>

No description available.

S tím, jak se neustále vyvíjejí nové technologie pro energeticky náročná průmyslová odvětví, stávající zařízení postupně zaostávají v efektivitě a produktivitě. Tvrdá konkurence na trhu a legislativa v oblasti životního prostředí nutí tato tradiční zařízení k ukončení provozu a k odstavení. Zlepšování procesu a projekty modernizace jsou zásadní v udržování provozních výkonů těchto zařízení. Současné přístupy pro zlepšování procesů jsou hlavně: integrace procesů, optimalizace procesů a intenzifikace procesů. Obecně se v těchto oblastech využívá matematické optimalizace, zkušeností řešitele a provozní heuristiky. Tyto přístupy slouží jako základ pro zlepšování procesů. Avšak, jejich výkon lze dále zlepšit pomocí moderní výpočtové inteligence. Účelem této práce je tudíž aplikace pokročilých technik umělé inteligence a strojového učení za účelem zlepšování procesů v energeticky náročných průmyslových procesech. V této práci je využit přístup, který řeší tento problém simulací průmyslových systémů a přispívá následujícím: (i)Aplikace techniky strojového učení, která zahrnuje jednorázové učení a neuro-evoluci pro modelování a optimalizaci jednotlivých jednotek na základě dat. (ii) Aplikace redukce dimenze (např. Analýza hlavních komponent, autoendkodér) pro vícekriteriální optimalizaci procesu s více jednotkami. (iii) Návrh nového nástroje pro analýzu problematických částí systému za účelem jejich odstranění (bottleneck tree analysis – BOTA). Bylo také navrženo rozšíření nástroje, které umožňuje řešit vícerozměrné problémy pomocí přístupu založeného na datech. (iv) Prokázání účinnosti simulací Monte-Carlo, neuronové sítě a rozhodovacích stromů pro rozhodování při integraci nové technologie procesu do stávajících procesů. (v) Porovnání techniky HTM (Hierarchical Temporal Memory) a duální optimalizace s několika prediktivními nástroji pro podporu managementu provozu v reálném čase. (vi) Implementace umělé neuronové sítě v rámci rozhraní pro konvenční procesní graf (P-graf). (vii) Zdůraznění budoucnosti umělé inteligence a procesního inženýrství v biosystémech prostřednictvím komerčně založeného paradigmatu multi-omics.