Spatiaalinen multiomiikka ja syväoppiminen: Datan haasteet ja menetelmäkehitys

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.

Grantor dc:publisher

Helsingin yliopisto

Year dc:date.issued

2026

Author dc:creator

• Numminen, Annika

• syväoppiminen
• kirjallisuuskatsaukset
• multiomiikka
• spatiaalinen multiomiikka
• variaatioautoenkooderi
• graafineuroverkko
• hybridimallit

Statement dc:rights

• In Copyright 1.0

Language dc:language.iso

fin

Handle dc:identifier.uri

http://hdl.handle.net/10138/630385

OAI identifier oai:identifier

oai:helda.helsinki.fi:10138/630385