Методы глубинного обучения для предсказания Z-ДНК на основе омиксных данныхDeep learning methods for Z-DNA prediction based on omics data

Диссертация посвящена разработке модели глубокого обучения DeepZ для предсказания функциональных регионов Z-ДНК на уровне полного генома. Используя информацию о последовательности и структуре ДНК и омиксных данных, модель обеспечивает высокую точность ибиологическую интерпретируемость. В работе предложены методы эффективной предобработки и хранения омиксных данных и реализован метод анализа расширенного пространства признаков для определения биологически значимых функциональных классов Z-ДНК. Разработанный подход валидирован на геномах человека и мыши. Полученные результаты демонстрируют потенциалприменения методов машинного обучения для решения фундаментальных задач функциональной геномики и биоинформатики.