2026-09-19T11:16:35Zhttps://helda.helsinki.fi/server/oai/requestoai:helda.helsinki.fi:10138/6303852026-04-21T23:30:14Zcom_10138_578965com_10138_17738col_10138_578966
Numminen, Annika
Helsingin yliopisto, Bio- ja ympäristötieteellinen tiedekunta
University of Helsinki, Faculty of Biological and Environmental Sciences
Helsingfors universitet, Bio- och miljövetenskapliga fakulteten
2026-04-21T06:39:06Z
2026-04-21T06:38:48Z
2026-04-21T06:39:06Z
2026-04-21
2026-03-26
http://hdl.handle.net/10138/630385
URN:NBN:fi:hulib-202604211945
Tutkimuksen tavoitteena oli kartoittaa spatiaalisen multiomiikka-datan ominaisia haasteita, ja miten syväoppimisen menetelmäkehitys on pyrkinyt vastaamaan näihin haasteisiin. Katsaus esittelee ensin tärkeimmät käsitteet, kuten mitä on spatiaalinen multiomiikka sekä spatiaalisen multiomiikan erityispiirteet ja sen tuottamat haasteet. Tämän pohjalta katsaus esittelee ensisijaisten tutkimusten tuottamia syväoppimisen menetelmiä, joita voidaan hyödyntää spatiaalisen multiomiikka-datan käsittelyssä.
Lopuksi analysoidaan miten eri menetelmät vastaavat kyseisen datan ominaisiin haasteisiin, kun dataa pyritään hyödyntämään tutkimuksessa. Syväoppimisen menetelmäkehitys on jaettu kolmeen menetelmäryhmään: variaatioautoenkooderit (variational autoencoder, VAE), graafipohjaiset neuroverkot (graph neural network, GNN) sekä hybridimallit, jotka voivat yhdistellä useampaa eri arkkitehtuuria yhdeksi kokonaisuudeksi.
Kirjallisuuskatsauksessa käsiteltyjen tutkimusten pohjalta on selvää, että syväoppimisen käyttö spatiaalisen multiomiikka-datan käsittelyssä on ajankohtainen ja kehittyvä aihe. Tämä luo mahdollisuuden nopealle ja laaja-alaiselle menetelmäkehitykselle, mutta samaan aikaan tutkimuksia haastaa selkeiden viitekehysten, standardoinnin sekä toistettavuuden puute.
fin
Helsingin yliopisto
University of Helsinki
Helsingfors universitet
In Copyright 1.0
syväoppiminen
kirjallisuuskatsaukset
multiomiikka
spatiaalinen multiomiikka
variaatioautoenkooderi
graafineuroverkko
hybridimallit
Molekyylibiotieteiden kandiohjelma
Bachelor's Programme in Molecular Biosciences
Kandidatprogrammet i molekylära biovetenskaper
Spatiaalinen multiomiikka ja syväoppiminen: Datan haasteet ja menetelmäkehitys
kandidaatintyö
bachelor's thesis
kandidatarbete
open.access