ETD

• Refining Predictive Models
• Temporal Gene Expression

This thesis addresses the problem of predicting gene expression in time series by combining structural and dynamic information. The work starts from a GNN + BiLSTM architecture that exploits a graph of gene interactions; instead of using STRING directly, topology preprocessing is applied to reduce noise and improve the quality of embeddings. The results show that better graph construction increases model performance. Furthermore, comparison with simpler architectures, such as MLP, shows that in some cases GNNs do not offer significant advantages. This study therefore provides a critical assessment of the actual usefulness of graph information for gene expression prediction.

Questa tesi affronta il problema della predizione dell’espressione genica in serie temporali combinando informazioni strutturali e dinamiche. Il lavoro parte da un’architettura GNN + BiLSTM che sfrutta un grafo di interazioni geniche; invece di utilizzare STRING in modo diretto, viene applicato un preprocessing della topologia per ridurre rumore e migliorare la qualità degli embedding. I risultati mostrano che una migliore costruzione del grafo aumenta le prestazioni del modello. Inoltre, il confronto con architetture più semplici, come MLP, evidenzia che in alcuni casi le GNN non offrono vantaggi significativi. Questo studio fornisce quindi una valutazione critica dell’effettiva utilità delle informazioni di grafo per la predizione dell’espressione genica.