Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/35758| Назва: | Комплексний мета-аналіз глобальних наборів даних про COVID-19 |
| Інші назви: | Complex meta-analysis of global datasets about COVID-19 |
| Автори: | Князь, Юрій Ігорович Kniaz, Yurii |
| Приналежність: | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна |
| Бібліографічний опис: | Князь Ю. І. Комплексний мета-аналіз глобальних наборів даних про COVID-19 : кваліфікаційна робота освітнього рівня „Бакалавр“ „122 — комп’ютерні науки“ / Ю. І. Князь. — Тернопіль : ТНТУ, 2021. — 64 с. |
| Дата публікації: | 21-чер-2021 |
| Дата подання: | 7-чер-2021 |
| Дата внесення: | 10-лип-2021 |
| Країна (код): | UA |
| Місце видання, проведення: | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна |
| Науковий керівник: | Пасічник, Володимир Володимирович |
| Члени комітету: | Гащин, Надія Богданівна |
| УДК: | 004.62 |
| Теми: | covid-19 covid-19 аналітика analytics дані data класифікація classification метод method структура structure опрацювання processing |
| Короткий огляд (реферат): | Кваліфікаційна робота присвячена комплексному аналізу структури, вмісту, методів та засобів аналітичного опрацювання глобальних наборів даних про COVID-19. Мета роботи: підвищення рівня поінформованості громадян та медичних працівників щодо COVID-19.
В першому розділі кваліфікаційної роботи Проведено аналіз предметної області. Описано джерела даних про COVID-19, подано їх інтегральну характеристику та конвеєрне опрацювання даних.
В другому розділі кваліфікаційної роботи описано аналітичне опрацювання даних SARS-CoV-2 на основі відомостей БД Omics. Розглянуто філогенний та мутаційний варіаційний аналіз даних щодо COVID-19. Досліджено аналітичне опрацювання генетичної інформаційї шодо COVID-19. Подано особливості інтерактомного аналізу відомостей щодо COVID-19. Висвітдено аналіз зображень грудної клітки для діагностики та моніторингу COVID-19. Описано аналітичне опрацювання в процесах використання та перепризначення лікарських препаратів для COVID-19. Зокрема, наведено класифікаційну таблицю методів аналітичного опрацювання відомостей щодо COVID-19. Qualification work is devoted to a comprehensive analysis of the structure, content, methods and tools of analytical processing of global datasets about COVID-19. Purpose: to raise awareness of citizens and health professionals about COVID-19. In the first section of the qualification work the analysis of the subject area is carried out. The sources of data about COVID-19 are described, their integral characteristic and conveyor data processing are given. The second section of the qualification work describes the analytical processing of SARS-CoV-2 data based on information from the Omics database. Phylogenetic and mutational variational analysis of data on COVID-19 are considered. Analytical processing of genetic information according to COVID-19 was investigated. Features of interactive analysis of information on COVID-19 are presented. Analysis of chest images for diagnosis and monitoring of COVID-19 is covered. Analytical processing in the processes of use and reassignment of drugs for COVID-19 is described. In particular, the classification table of methods of analytical processing of information on COVID-19 is given. |
| Зміст: | ВСТУП 7 1 COVID-19, ДЖЕРЕЛА ДАНИХ ТА ЇХ КОНВЕЄРНЕ ОПРАЦЮВАННЯ 9 1.1 Аналіз предметної області 9 1.2 Джерела даних щодо COVID-19 11 1.2.1 Дані Omics 12 1.2.2 Інтерактомні дані 13 1.2.3 Дані ренгенографічних зображень грудної клітки 14 1.2.4 Епідеміологічні дані 15 1.2.5 Бази даних медичних препаратів 17 1.3 Конвеєрне опрацювання даних щодо COVID-19 18 1.4 Висновок до першого розділу 22 2 КОМПЛЕКСНИЙ МЕТААНАЛІЗ ГЛОБАЛЬНИХ НАБОРІВ ДАНИХ ЩОДО COVID-19 23 2.1 Метааналіз глобальних наборів даних щодо COVID-19 23 2.2 Аналітичне опрацювання даних SARS-CoV-2 Omics 23 2.3 Філогенний та мутаційний варіаційний аналіз даних щодо COVID-19 24 2.4 Аналітичне опрацювання генетичної інформаційї шодо COVID-19 25 2.5 Інтерактомний аналіз відомостей щодо COVID-19 26 2.6 Аналіз зображень грудної клітки для діагностики та моніторингу COVID-19 27 2.7 Аналітичне опрацювання в процесах використання та перепризначення лікарських препаратів для COVID-19 29 2.8 Аналітичне опрацювання метаболічних змін для важких та фатальних випадків COVID-19 32 2.9 Висновок до другого розділу 37 3 БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ХОРОНИ ПРАЦІ 38 3.1 Актуальність безпеки життєдіяльності людини 38 3.2 Долікарська допомога при пораненнях 40 3.3 Висновок до третього розділу 41 ВИСНОВКИ 42 ПЕРЕЛІК ДЖЕРЕЛ 43 |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/35758 |
| Власник авторського права: | © Князь Юрій Ігорович, 2021 |
| Перелік літератури: | 1 Duda O., Kunanets N., Matsiuk O., Pasichnyk V., Rzheuskyi A. (2021) Aggregation, Storing, Multidimensional Representation and Processing of COVID-19 Data. In: Shakhovska N., Medykovskyy M.O. (eds) Advances in Intelligent Systems and Computing V. CSIT 2020. Advances in Intelligent Systems and Computing, vol 1293, pp 875-889. Springer, Cham. ISBN978-3-030-63270-0. 2 Duda, O., Pasichnyk, V., Kunanets, N., Antonii, R., & Matsiuk, O. (2020, September). Multidimensional Representation of COVID-19 Data Using OLAP Information Technology. In 2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT) (Vol. 2, pp. 277-280). IEEE. 3 Duda, O., Palka, O., Pasichnyk, V., Matsiuk, O., Kunanets, N., & Tabachyshyn, D. (2020, September). Existing City Assessment Systems. In 2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT) (Vol. 2, pp. 238-241). IEEE. 4 Johns Hopkins. Coronavirus resource center. https://coronavirus.jhu.edu/map.html. 5 Duda, O., et al, Selection of Effective Methods of Big Data Analytical Processing in Information Systems of Smart Cities. CEUR Workshop Proceedings 2631, pp. 68-78. 2020. 6 Kumar Das, Jayanta, et al. "Data science in unveiling COVID-19 pathogenesis and diagnosis: evolutionary origin to drug repurposing." Briefings in Bioinformatics 22.2 (2021): 855-872. 7 Duda, O., Kunanets, N., Martsenko, S., Matsiuk, O., Pasichnyk, V., Building secure Urban information systems based on IoT technologies. CEUR Workshop Proceedings 2623, pp. 317-328. 2020. 8 Noruzi A. Google scholar: the new generation of citation indexes. Libri 2005;55(4):170–80. 9 Dimensions. https://app.dimensions.ai/discover/publication. 10 Omics. http://omics.org. 11 Veltri P, Cannataro M, Tradigo G. Sharing mass spectrometry data in a grid-based distributed proteomics laboratory. Inf Process Manag 2007;43(3):577–91. cited By 19. 12 NCBI. http://www.ncbi.nlm.nih.gov/geo/. 13 OmicsDI. https://www.omicsdi.org/. 14 Srinivasan S,Cui H,Gao Z,et al.Structural genomics of sarscov-2 indicates evolutionary conserved functional regions of viral proteins. Viruses 2020;12(4):360. 15 Gordon DE, Jang GM, Bouhaddou M, et al. A sars-cov-2 protein interaction map reveals targets for drug repurposing. Nature 2020;583(7816):459–68. 16 Perfetto L, Pastrello C, Del-Toro N, et al. The imex coronavirus interactome: an evolving map of coronaviridae–host molecular interactions. BioRxiv 2020. 17 Zhou S, Wang Y, Zhu T, et al. Ct features of coronavirus disease 2019 (covid-19) pneumonia in 62 patients in Wuhan, China. Am J Roentgenol 2020;214(6):1287–94. 18 TrainingData.io. https://www.trainingdata.io/. 19 Dong E, Hongru D, Gardner L. An interactive web-based dashboard to track covid-19 in real time. Lancet Infect Dis 2020;20(5):533–4. 20 Italian Data. https://github.com/pcm-dpc/COVID-19. 21 Xu B, Moritz UG, Kraemer BG, et al. Open access epidemiological data from the covid-19 outbreak. Lancet Infect Dis 2020;20(5):534. 22 Imming P, Sinning C, Meyer A. Drugs, their targets and the nature and number of drug targets. Nat Rev Drug Discov 2006;5(10):821–34. 23 Réda C, Kaufmann E, Delahaye-Duriez A. Machine learning applications in drug development. Comput Struct Biotechnol J 2020;18:241–52. 24 Voytek B. Social media, open science, and data science are inextricably linked. Neuron 2017;96(6):1219–22. 25 Roy S, Sharma P, Nath K, et al. Pre-processing: a data preparation step. Encyclop Bioinform Comput Biol ABC Bioinform 2018;463. 26 Jha M, Guzzi PH, Veltri P, et al. Functional module extraction by ensembling the ensembles of selective module detectors. Int J Comput Biol Drug Design 2019;12(4):345–61. 27 Schmidhuber J. Deep learning in neural networks: an overview. Neural Netw 2015;61:85–117. 28 Kipf, TN, Welling, M. Semi-supervised classification with graph convolutional networks. arXiv preprint arXiv:1609. 02907, 2016. 29 Waheed A, Goyal M, Gupta D, et al. Covidgan: data augmentation using auxiliary classifier gan for improved covid-19 detection. IEEE Access 2020;8:91916–23. 30 Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets. Adv Neural Inf Process Syst 2014;2672–80. 31 Ghosal S, Sengupta S, Majumder M, et al. Linear regression analysis to predict the number of deaths in India due to sars-cov-2 at 6 weeks from day 0 (100 cases–March 14th 2020). Diab Metab Syndrome Clin Res Rev 2020;14(4):311–5. 32 Roy S, Bhattacharyya DK. An approach to find embedded clusters using density based techniques. In: International Conference on Distributed Computing and Internet Technology. Springer, 2005, 523–35. 33 Zhou, G.; Stevenson, M.M.; Geary, T.G.; Xia, J. Comprehensive Transcriptome Meta-analysis to Characterize Host Immune Responses in Helminth Infections. PLoS Negl. Trop. Dis. 2016, 10, e0004624. 34 Gardinassi, L.G.; Souza, C.O.S.; Sales-Campos, H.; Fonseca, S.G. Immune and Metabolic Signatures of COVID-19 Revealed by Transcriptomics Data Reuse. Front. Immunol. 2020, 11, 1636. 35 Ceraolo C, Giorgi FM. Genomic variance of the 2019-ncov coronavirus. J Med Virol 2020;92(5):522–8. 36 Gonzalez JM, Gomez-Puertas P, Cavanagh D, et al. A comparative sequence analysis to revise the current taxonomy of the family coronaviridae.Arch Virol 2003;148(11):2207–35. 37 Yavarian J, Rezaei F, Shadab A, et al. Cluster of Middle East respiratory syndrome coronavirus infections in Iran, 2014. Emerg Infect Dis 2015;21(2):362. 38 Linnon Biosoft. Introduction to DNAMAN Sequence Analysis Functions. https://www.lynnon.com/dnaman.html. 39 Wu C, Yang L, Yang Y, et al. Analysis of therapeutic targets for sars-cov-2 and discovery of potential drugs by computational methods. Acta Pharm Sinica B 2020;10(5):766–88. 40 Zhang T, Wu Q, Zhang Z. Probable pangolin origin of sars-cov-2 associated with the covid-19 outbreak. Curr Biol 2020;30(7):1346–51. 41 Waterhouse AM, Procter JB, Martin DMA, et al. Jalview version 2—a multiple sequence alignment editor and analysis workbench. Bioinformatics 2009;25(9):1189–91. 42 Katoh K, Standley DM. Mafft multiple sequence alignment software version 7: improvements in performance and usability. Mol Biol Evol 2013;30(4):772–80. 43 Turista DDR, Islamy A, Kharisma VD, et al. Distribution of covid-19 and phylogenetic tree construction of sars-cov-2 in Indonesia. J Pure Appl Microbiol 2020;14(suppl 1):1035–42. 44 Yin C. Genotyping coronavirus sars-cov-2: methods and implications. Genomics 2020;112(5):3588–96. 45 Fang Z, Tan J, Wu S, et al. Ppr-meta: a tool for identifying phages and plasmids from metagenomic fragments using deep learning. GigaScience 2019;8(6) giz066. 46 Chi X, Liu X, Wang C, et al. Humanized single domain antibodies neutralize sars-cov-2 by targeting the spike receptor binding domain. Nat Commun 2020;11(1):1–7. 47 Perfetto L, Pastrello C, Del-Toro N, et al. The imex coronavirus interactome: an evolving map of coronaviridae–host molecular interactions. BioRxiv 2020. 48 Messina F, Giombini E, Agrati C, et al. Covid-19: viral–host interactome analyzed by network based-approach model to study pathogenesis of sars-cov-2 infection. J Transl Med 2020;18(1):1–10. 49 Das J, Chakrobarty S, Roy S. Impact analysis of sarscov2 on signaling pathways during covid19 pathogenesis using codon usage assisted host–viral protein interactions. bioRxiv 2020. 50 Kim M, Kang J, Kim D, et al. Hi-covidnet: deep learning approach to predict inbound covid-19 patients and case study in South Korea.In: Proceedings of the 26th ACM SIGKDD InternationalConference on Knowledge Discovery & Data Mining, 2020, 3466–73. 51 Butt C, Gill J, Chun D, et al. Deep learning system to screen coronavirus disease 2019 pneumonia. Appl Intell 2020;1. 52 Islam MZ, Islam MM, Asraf A. A combined deep CNN-LSTM network for the detection of novel coronavirus (covid-19) using x-ray images. Inform Med Unlock 2020;100412. 53 Giordano G, Blanchini F, Bruno R, et al. Modelling the covid-19 epidemic and implementation of population-wide interventions in Italy. Nat Med 2020;1–6. 54 Onder G, Rezza G, Brusaferro S. Case-fatality rate and characteristics of patients dying in relation to covid-19 in Italy. JAMA 2020;323(18):1775–6. 55 Chimmula VKR, Zhang L. Time series forecasting of covid19 transmission in Canada using LSTM networks. Chaos Solitons Fractals 2020;109864. 56 Zhou Y, Hou Y, Shen J, et al. Network-based drug repurposing for novel coronavirus 2019-ncov/sars-cov-2. Cell Discov 2020;6(1):1–18. 57 Harrison C. Coronavirus puts drug repurposing on the fast track. Nat Biotechnol 2020;38(4):379–81. 58 Pang, Zhiqiang, et al. "Comprehensive Meta-Analysis of COVID-19 Global Metabolomics Datasets." Metabolites 11.1 (2021): 44. 59 Bradley, B.T.; Maioli, H.; Johnston, R.; Chaudhry, I.; Fink, S.L.; Xu, H.; Najafian, B.; Deutsch, G.; Lacy, J.M.; Williams, T.; et al. Histopathology and ultrastructural findings of fatal COVID-19 infections in Washington State: A case series. Lancet 2020, 396, 320–332. 60 Shen, B.; Yi, X.; Sun, Y.; Bi, X.; Du, J.; Zhang, C.; Quan, S.; Zhang, F.; Sun, R.; Qian, L.; et al. Proteomic and Metabolomic Characterization of COVID-19 Patient Sera. Cell 2020, 182, 59–72.e15. 61 Polonikov, A. Endogenous Deficiency of Glutathione as the Most Likely Cause of Serious Manifestations and Death in COVID-19 Patients. ACS Infect. Dis. 2020, 6, 1558–1562. 62 Thair, S.A.; He, Y.D.; Hasin-Brumshtein, Y.; Sakaram, S.; Pandya, R.; Toh, J.; Rawling, D.; Remmel, M.; Coyle, S.; Dalekos, G.N.; et al. Transcriptomic similarities and differences in host response between SARS-CoV-2 and other viral infections. iScience 2021, 24, 101947. 63 Пліско, Ю. В., and Ю. Пасечник. "Актуальність вивчення курсу Основи безпеки життєдіяльності та охорони праці у вищих навчальних закладах." Духовність особистості: методологія, теорія і практика 3 (2018): 181-188. 64 ГРІГА, Г.Ю. "АКТУАЛЬНІ ПРОБЛЕМИ БЕЗПЕКИ ЖИТТЄДІЯЛЬНОСТІ." |
| Тип вмісту: | Bachelor Thesis |
| Розташовується у зібраннях: | 122 — Компʼютерні науки (бакалаври) |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| 2021_KRB_SN-41_Kniaz_YI.pdf | 2,22 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора