Analisi comparativa delle tecniche di deep learning per l'identificazione di virus

Through the use of recent sequencing technologies, virus identification through metagenomics has become an increasingly crucial aspect, surpassing the limitations of traditional methods based on laboratory cultures and enabling the analysis of a wide viral diversity. Among the various available approaches, the use of Deep Learning techniques proves to be particularly promising in this challenge, as it allows for the automatic learning of viral genomic features and the detection of viral sequences within metagenomic samples with high accuracy, especially for short input sequences. This thesis provides a detailed evaluation of the structure and performance of various Deep Learning methods that employ different types of neural networks. Through their comparison, the aim is to identify the method capable of providing the most accurate and reliable performance in viral sequence detection.

Attraverso l'impiego delle recenti tecnologie di sequenziamento, l'identificazione di virus attraverso il metagenoma è diventato un aspetto sempre più cruciale, superando le limitazioni dei tradizionali metodi basati sulle colture di laboratorio e consentendo l'analisi di un'ampia diversità virale. Tra i vari approcci disponibili, l'utilizzo di tecniche di Deep Learning si dimostra particolarmente promettente in questa sfida, poiché permette di apprendere automaticamente le caratteristiche genomiche virali e di rilevare sequenze virali all'interno di campioni metagenomici con un'elevata accuratezza, soprattutto per sequenze di input di breve lunghezza. Questa tesi fornisce una valutazione dettagliata della struttura e delle prestazioni di alcuni metodi di Deep Learning che fanno uso di diverse tipologie di reti neurali. Attraverso il loro confronto, si mira a identificare il metodo in grado di fornire le prestazioni più accurate e affidabili nella rilevazione delle sequenze virali.