Diseño e interpretación de espacios latentes basados en modelos de deep learning para la integración de datos de multi-ómica
En la última década, hemos sido testigos del crecimiento exponencial de los datos de ómica disponibles para el estudio de enfermedades complejas. La ómica se define como un conjunto de disciplinas que identifican, cuantifican y caracterizan un conjunto de moléculas de una misma tipología, incluyendo genes, proteínas, metabolitos...
Desafíos en la Integración de Datos Multi-ómicos
Para poder alcanzar a comprender a un individuo como un sistema, es imprescindible la integración de datos de multi-ómica. Sin embargo, la integración de este tipo de datos presenta grandes desafíos, donde destaca la alta dimensionalidad así como la heterogeneidad entre las diferentes ómicas...
AutoEncoders y Aprendizaje Profundo
Los AutoEncoders, un tipo de modelo de aprendizaje automático basado en deep learning, han demostrado ser una estrategia adecuada para esta tarea dada su capacidad para comprimir información...
Objetivos de la Tesis Doctoral
- Creación de un catálogo de conjuntos de datos multi-ómicos.
- Exploración y evaluación de arquitecturas de AutoEncoders.
- Desarrollo y evaluación de estrategias para la generación de espacios latentes.
- Desarrollo de métodos para la interpretación de espacios latentes.
- Divulgación de resultados con la comunidad científica, incluyendo los modelos y herramientas desarrolladas.
Resultados Esperados
Esta tesis generará como resultado: (1) nuevos modelos y herramientas basados en AutoEncoders; y (2) nuevos métodos que mejoren la interpretabilidad de estos modelos.