|
|
|
|
| LEADER |
02108na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2017 ci ||||| m||| 00| 0 en d |
| 035 |
|
|
|a (HR-ZaFER)ferid5026
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Megla, Lucija
|
| 245 |
1 |
0 |
|a Algoritam za računanje profila pogreške za tehnologije za sekvenciranje treće generacije :
|b diplomski rad /
|c Lucija Megla ; [mentor Mile Šikić].
|
| 246 |
1 |
|
|a Computing the Error Profiles of Third Generation Sequencing Technologies
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b L. Megla,
|c 2017.
|
| 300 |
|
|
|a 19 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b diplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Računarska znanost, šifra smjera: 56, datum predaje: 2017-06-29, datum završetka: 2017-07-10
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: Kada se očitanja sastavljaju u duži redoslijed nukleotida i napokon u konsenzus, cilj
je reproducirati konsenzus koji je što sličniji referenci. Oxford Nanopore Technologies
imaju problema kod sekvenciranja homopolimera. Stoga je razvijen alat koji računa pro-
file pogreške homopolimera. Koristeći profile pogrešaka, istrenirani su algoritmi strojnog
učenja kako bi predvidjeli stvarnu duljinu homopolimera. U skladu s tim, konsenzus je mi-
jenjan kako bi bio što sličniji referenci.
|
| 520 |
3 |
|
|a Sažetak na engleskom: When reads are assembled into a longer sequence and finally into a consensus, the goal
is to reproduce a consensus that is as similar to the reference as possible. Oxford Nanopore
Technologies have issues when sequencing homopolymers. That is why we developed a
tool where we found error profiles of homopolymers. Using error profiles we trained ma-
chine learning algorithms to predict the real length of homopolymers. Then we altered the
consensus accordingly, in order to reach reference sequence.
|
| 653 |
|
1 |
|a homopolimeri
|a profili pogrešaka
|a Oxford Nanopore Technologies
|a strojno učenje
|
| 653 |
|
1 |
|a homopolymers
|a error profiles
|a Oxford Nanopore Technologies
|a machine learning
|
| 700 |
1 |
|
|a Šikić, Mile
|4 ths
|
| 942 |
|
|
|c Y
|
| 999 |
|
|
|c 49442
|d 49442
|