{"id":{"repo_id":"helsinki","oai_identifier":"oai:helda.helsinki.fi:10138/630385"},"canonical_url":"https://search.dev.ndltd.org/etd/helsinki/oai:helda.helsinki.fi:10138/630385","repository":{"repo_id":"helsinki","name":"University of Helsinki","base_url":"https://helda.helsinki.fi/server/oai/request"},"display":{"title":"Spatiaalinen multiomiikka ja syväoppiminen: Datan haasteet ja menetelmäkehitys","abstract":"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.","abstract_html":"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.","abstract_has_math":false,"creators":["Numminen, Annika"],"institution":"Helsingin yliopisto","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026-04-21","date_published":"2026-04-21","updated_at":"2026-07-27T19:56:19Z","subjects":["syväoppiminen","kirjallisuuskatsaukset","multiomiikka","spatiaalinen multiomiikka","variaatioautoenkooderi","graafineuroverkko","hybridimallit"],"languages":["fin"],"rights":["In Copyright 1.0"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/10138/630385","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Numminen, Annika"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-04-21T06:39:06Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2026-04-21T06:38:48Z","2026-04-21T06:39:06Z"]},{"key":"dc:date.issued","label":"Date","values":["2026-04-21"]},{"key":"dc:publisher","label":"Institution","values":["Helsingin yliopisto","University of Helsinki","Helsingfors universitet"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["syväoppiminen","kirjallisuuskatsaukset","multiomiikka","spatiaalinen multiomiikka","variaatioautoenkooderi","graafineuroverkko","hybridimallit"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["fin"]},{"key":"dc:rights","label":"Dc Rights","values":["In Copyright 1.0"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/10138/630385"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["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."]},{"key":"dc:title","label":"Title","values":["Spatiaalinen multiomiikka ja syväoppiminen: Datan haasteet ja menetelmäkehitys"]}]}],"canonical_facts":{"dc:creator":["Numminen, Annika"],"dc:date.accessioned":["2026-04-21T06:39:06Z"],"dc:date.available":["2026-04-21T06:38:48Z","2026-04-21T06:39:06Z"],"dc:date.issued":["2026-04-21"],"dc:description.abstract":["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."],"dc:identifier.uri":["http://hdl.handle.net/10138/630385"],"dc:language.iso":["fin"],"dc:publisher":["Helsingin yliopisto","University of Helsinki","Helsingfors universitet"],"dc:rights":["In Copyright 1.0"],"dc:subject":["syväoppiminen","kirjallisuuskatsaukset","multiomiikka","spatiaalinen multiomiikka","variaatioautoenkooderi","graafineuroverkko","hybridimallit"],"dc:title":["Spatiaalinen multiomiikka ja syväoppiminen: Datan haasteet ja menetelmäkehitys"]},"updated_at":"2026-07-27T19:56:19Z"}