Recently, a variety of machine learning techniques have been applied to different healthcare sectors, and the results appear to be promising. One such sector is healthcare planning, in which patient data is used to produce statistical models for predicting the load on different units of the healthcare system. This research introduces an attempt to design and implement a privacy-preserving synthetic data generation method adapted explicitly to patients’ health data and for healthcare planning. A Privacy-preserving Conditional Generative Adversarial Network (PPCGAN) is used to generate synthetic data of Healthcare events, where a well-designed noise is added to the gradients in the training process. The concept of differential privacy is used to ensure that adversaries cannot reveal the exact training samples from the trained model. Notably, the goal is to produce digital patients and model their journey through the healthcare system. / Nyligen har en mängd olika maskininlärningstekniker tillämpats på olika hälso- och sjukvårdssektorer, och resultaten verkar lovande. En sådan sektor är vårdplanering, där patientdata används för att ta fram statistiska modeller för att förutsäga belastningen på olika enheter i sjukvården. Denna forskning introducerar ett försök att utforma och implementera en sekretessbevarande syntetisk datagenereringsmetod som uttryckligen anpassas till patienters hälsodata och för vårdplanering. Ett sekretessbevarande villkorligt generativt kontradiktoriskt nätverk (PPCGAN) används för att generera syntetisk data från hälsovårdshändelser, där ett väl utformat brus läggs till gradienterna i träningsprocessen. Begreppet differentiell integritet används för att säkerställa att motståndare inte kan avslöja de exakta träningsproven från den tränade modellen. Målet är särskilt att producera digitala patienter och modellera deras resa genom sjukvården.

IPCC reported in its climate change report 2013 that the atmospheric concentrations of the greenhouse gases (GHG) carbon dioxide (CO2), methane, and nitrous oxide now have reached the highest levels in the past 800,000 years. CO2 concentration has increased by 40% since pre-industrial times and the primary source is fossil fuel combustion. It is vital to reduce anthropogenic emissions of GHGs in order to combat climate change. Industry accounts for 20% of global anthropogenic CO2 emissions and the iron and steel industry accounts for 30% of industrial emissions. The iron and steel industry is at date highly dependent on fossil fuels and electricity. Energy efficiency measures and substitution of fossil fuels with renewable energy would make an important contribution to the efforts to reduce emissions of GHGs. This thesis studies energy efficiency measures and fuel substitution in the iron and steel industry and focuses on recovery and utilisation of excess energy and substitution of fossil fuels with biomass. Energy systems analysis has been used to investigate how changes in the iron and steel industry’s energy system would affect the steel plant’s economy and global CO2 emissions. The thesis also studies energy management practices in the Swedish iron and steel industry with the focus on how energy managers think about why energy efficiency measures are implemented or why they are not implemented. In-depth interviews with energy managers at eleven Swedish steel plants were conducted to analyse energy management practices. In order to show some of the large untapped heat flows in industry, excess heat recovery potential in the industrial sector in Gävleborg County in Sweden was analysed. Under the assumptions made in this thesis, the recovery output would be more than three times higher if the excess heat is used in a district heating system than if electricity is generated. An economic evaluation was performed for three electricity generation technologies for the conversion of low-temperature industrial excess heat. The results show that electricity generation with organic Rankine cycles and phase change material engines could be profitable, but that thermoelectric generation of electricity from low-temperature industrial excess heat would not be profitable at the present stage of technology development. With regard to fossil fuels substituted with biomass, there are opportunities to substitute fossil coal with charcoal in the blast furnace and to substitute liquefied petroleum gas (LPG) with bio-syngas or bio synthetic natural gas (bio-SNG) as fuel in the steel industry’s reheating furnaces. However, in the energy market scenarios studied, substituting LPG with bio-SNG as fuel in reheating furnaces at the studied scrap-based steel plant would not be profitable without economic policy support. The development of the energy market is shown to play a vital role for the outcome of how different measures would affect global CO2 emissions. Results from the interviews show that Swedish steel companies regard improved energy efficiency as important. However, the majority of the interviewed energy managers only worked part-time with energy issues and they experienced that lack of time often was a barrier for successful energy management. More efforts could also be put into engaging and educating employees in order to introduce a common practice of improving energy efficiency at the company. / Halterna av växthusgaserna koldioxid (CO2), metan och kväveoxider har under de senaste 800 000 åren aldrig varit högre i atmosfären än vad de är idag. Detta resultat redovisades i IPCCs klimatrapport år 2013. CO2-koncentrationen har ökat med 40 % sedan förindustriell tid och denna ökning beror till största delen på förbränning av fossila bränslen. Ökade koncentrationer av växthusgaser leder till högre global medeltemperatur vilket i sin tur resulterar i klimatförändringar.  För att bromsa klimatförändringarna är det viktigt att vi arbetar för att minska utsläppen av växthusgaser. Industrin står för 20 % av de globala utsläppen av CO2 och järn- och stålindustrin står för 30 % av industrins utsläpp. Järn- och stålindustrin är i dag till stor del beroende av fossila bränslen och el för sin energiförsörjning. Energieffektiviseringsåtgärder och byte av fossila bränslen mot förnybar energi i järn- och stålindustrin skulle kunna bidra till minskade utsläpp av växthusgaser. Denna avhandling studerar åtgärder för effektivare energianvändning och möjligheter för bränslebyte i järn- och stålindustrin. Avhandlingen fokuserar på återvinning och utnyttjande av överskottsenergier och ersättning av fossila bränslen med biomassa. Energisystemanalys har använts för att undersöka hur förändringar i järn- och stålindustrins energisystem skulle påverka ekonomin och de globala utsläppen av CO2. Avhandlingen studerar också betydelsen av energiledning och nätverkande för att uppnå en effektivare energianvändning. Fokus har här varit på att studera hur energiansvariga resonerar kring varför energieffektiviseringsåtgärder genomförs eller varför de inte genomförs. Djupintervjuer med energiansvariga vid elva svenska stålverk genomfördes för att analysera denna fråga. För att ge ett exempel på den stora outnyttjade potentialen av överskottsvärme från industrin analyserades potentialen i Gävleborgs län. Möjligheterna att använda överskottsvärmen som fjärrvärme eller för att producera el analyserades. Här visar resultaten att fjärrvärmeproduktionen skulle bli mer än tre gånger så stor som elproduktionen. En ekonomisk utvärdering gjordes där tre tekniker för produktion av el från lågtempererad industriell överskottsvärme jämfördes. Resultaten visar att elproduktion med organisk Rankine-cykel eller en så kallad fasändringsmaterialmotor kan vara lönsam, men att termoelektrisk elproduktion inte är lönsam med dagens teknik och prisnivåer. Det är möjligt att ersätta en del av det fossila kolet i masugnen med träkol och på detta sätt introducera förnybar energi i stålindustrin. Man kan också ersätta gasol som används som bränsle i stålindustrins värmningsugnar med syntesgas eller syntetisk naturgas (SNG) som produceras genom förgasning av biomassa. Under de antaganden som gjorts i avhandlingen skulle det dock inte vara lönsamt för det skrotbaserade stålverk som studerats att ersätta gasolen med bio-SNG. För att uppnå lönsamhet behövs i detta fall ekonomiska styrmedel. Hur olika åtgärder påverkar de globala utsläppen av CO2 beror till stor del på hur framtidens energimarknad ser ut. Elproduktion från industriell överskottsvärme skulle minska de globala CO2-utsläppen i alla scenarier som studerats, men för de andra åtgärderna varierar resultaten beroende på vilka antaganden som gjorts. Resultaten från intervjustudien visar att svensk stålindustri anser att energifrågan är viktig, men det finns fortfarande mycket att göra för att effektivisera energianvändningen i denna sektor. Flera av de intervjuade arbetade bara deltid med energifrågor och de upplevde att tidsbrist hindrade dem från ett effektivt energiledningsarbete. En rekommendation till företagen är därför att anställa en energiansvarig på heltid och/eller fler personer som kan arbeta med energifrågor. Det bör också läggas mer resurser på att engagera och utbilda anställda för att på så sätt introducera en företagskultur som främjar effektiv energianvändning.

This paper investigates the use of deep Convolutional Neural Networks for modeling the intronic regulation of Alternative Splicing on the basis of DNA sequence. By training the CNN on massively parallel synthetic DNA libraries of Alternative 5'-splicing and Alternatively Skipped exon events, the model is capable of predicting the relative abundance of alternatively spliced mRNA isoforms on held-out library data to a very high accuracy (R2 = 0.77 for Alt. 5'-splicing). Furthermore, the CNN is shown to generalize alternative splicing across cell lines efficiently. The Convolutional Neural Net is tested against a Logistic regression model and the results show that while prediction accuracy on the synthetic library is notably higher compared to the LR model, the CNN is worse at generalizing to new intronic contexts. Tests on non-synthetic human SNP genes suggest the CNN is dependent on the relative position of the intronic region it was trained for, a problem which is alleviated with LR. The increased library prediction accuracy of the CNN compared to Logistic regression is concluded to come from the non-linearity introduced by the deep layer architecture. It adds the capacity to model complex regulatory interactions and combinatorial RBP effects which studies have shown largely affect alternative splicing. However, the architecture makes interpreting the CNN hard, as the regulatory interactions are encoded deep within the layers. Nevertheless, high-performance modeling of alternative splicing using CNNs may still prove useful in numerous Synthetic biology applications, for example to model differentially spliced genes as is done in this paper. / Den här uppsatsen undersöker hur djupa neurala nätverk baserade på faltning ("Convolutions") kan användas för att modellera den introniska regleringen av Alternativ Splicing med endast DNA-sekvensen som indata. Nätverket tränas på ett massivt parallelt bibliotek av syntetiskt DNA innehållandes Alternativa Splicing-event där delar av de introniska regionerna har randomiserats. Uppsatsen visar att nätverksarkitekturen kan förutspå den relativa mängden alternativt splicat RNA till en mycket hög noggrannhet inom det syntetiska biblioteket. Modellen generaliserar även alternativ splicing mellan mänskliga celltyper väl. Hursomhelst, tester på icke-syntetiska mänskliga gener med SNP-mutationer visar att nätverkets prestanda försämras när den introniska region som används som indata flyttas i jämförelse till den relativa position som modellen tränats på. Uppsatsen jämför modellen med Logistic regression och drar slutsatsen att nätverkets förbättrade prestanda grundar sig i dess förmåga att modellera icke-linjära beroenden i datan. Detta medför dock svårigheter i att tolka vad modellen faktiskt lärt sig, eftersom interaktionen mellan reglerande element är inbäddat i nätverkslagren. Trots det kan högpresterande modellering av alternativ splicing med hjälp av neurala nät vara användbart, exempelvis inom Syntetisk biologi där modellen kan användas för att kontrollera regleringen av splicing när man konstruerar syntetiska gener.