Nanopore DNA sequencing is a novel method forsequencing DNA where an electronic signal is modulated bynucleotides passing through nanosized pores embedded in a mem-brane. While current state-of-the-art solutions employ recurrentneural networks to analyse the signal, temporal convolutionalnetworks have recently been shown to match or outperformrecurrent networks in signal processing tasks. In this project, weinvestigate the performance of temporal convolutional networkson a simplified version of the sequencing task, where thegoal is to predict the nucleotides passing through the pore ateach instance in time, without reconstructing the correspondingDNA sequence. The impact of several network parameters onpredictive performance is analysed to determine an optimalarchitecture. While the implemented networks are shown tobe proficient at predicting nucleotides within the pore, thecurrent implementation is unlikely to outperform state-of-the-art solutions without further improvement. / En nyligen utvecklad metod för att sekvensera DNA innefattar att en elektrisk signal moduleras genom att nukleotider passerar genom porer i nanostorlek. I kommersiella lösningar analyseras denna signal med hjälp av maskininlärning via Recurrent Neural Networks, men en variant av neruala nätverk som kallas Temporal Convolution Networks har nyligen har visat sig ha bättre prestanda jämfört med Recurrent Networks för olika typer av signalbehandlingsproblem. Målet med detta projekt är att undersöka användbarheten av Temporal Convolutional Networks för en förenklad version av DNA-sekvensering, där uppdraget endast är att identifera de nukleotider som passerar genom poren vid varje given tidpunkt, istället för att rekonstruera en komplett DNA-sekvens. För att kunna bestämma en optimal arkitektur på nätverket så undersöks effekten av flera olika parametrar. De implementerade nätverken visas ha god förmåga att klassificera nukleotider, men är troligtvis i behov av ytterligare förbättringar för att kunna konkurrera med nuvarande kommersiella lösningar. / Kandidatexjobb i elektroteknik 2020, KTH, Stockholm
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-295625 |
| Date | January 2020 |
| Creators | Santiago Garcia, Eric, Salomonsson Aspåker, Hannes |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2020:163 |
Page generated in 0.0027 seconds