skip to Main Content
کاربردهای مهندسی هوش مصنوعی

کاربردهای مهندسی هوش مصنوعی

عنوان انگلیسی: Identification of DNA–protein binding sites by bootstrap multiple convolutional neural networks on sequence information
سال نشر: ۲۰۱۹
نویسنده: Yongqing Zhang,Shaojie Qiao,Shengjie Ji,Nan Han,Dingxiang Liu,Jiliu Zhou
تعداد صفحه فارسی: ۲۰ – تعداد صفحه انگلیسی: ۸
دانشگاه: School of Management, Chengdu University of Information Technology, Chengdu 610103, China,School of Cybersecurity, Chengdu University of Information Technology, Chengdu 610225, China,School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu 610054, China,School of Computer Science, Chengdu University of Information Technology, Chengdu 610225, China
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: ترجمه پلاس

چکیده

کار ما منجر به عدم تعادل توزیع جایگاه‌های اتصال پروتیین DNA و جایگاه‌های غیر پیوندی می‌شود. به طور خاص، تعداد جایگاه‌های اتصال پروتیین DNA (طبقه اقلیت)به طور قابل‌توجهی کم‌تر از جایگاه‌های متصل شونده (کلاس اکثریت)است. به علاوه، عملکرد طبقه اقلیت می‌تواند تا حد زیادی دست‌کم گرفته شود. بنابراین، ما رویکرد یادگیری جمعی را با ترکیب چندین شبکه عصبی convolutional{در کنوانسیون ریاضی یک عملیات ریاضی بر روی دو توابع برای تولید یک تابع سوم است که بیان می کند چگونه شکل یکی توسط یک دیگر اصلاح می شود. اصطلاح پیچیدگی به هر دو نتیجه عملکرد و روند پردازش آن اشاره دارد} برای استفاده از تعداد فراوان مکان‌های غیر پیوندی پیشنهاد می‌کنیم. یک علاقه رو به رشد در شناسایی جایگاه‌های اتصال پروتیین DNA در توالی پروتیین‌ها وجود داشته‌است که نقش حیاتی در فرآیند بیولوژیکی حیاتی ایفا می‌کند (Si و همکاران، ۲۰۱۶ Zhang و همکاران، ۲۰۱۶ Qiao و همکاران، ۲۰۱۶ Qiao و همکاران، ۲۰۱۶ Qiao و همکاران، ۲۰۱۶ Qiao و همکاران، ۲۰۱۶ Qiao و همکاران، ۲۰۱۶ Qiao و همکاران، ۲۰۱۶ a و همکاران، ۲۰۱۶ a و همکاران، ۲۰۱۶ a et al. از این رو، دقیق

Abstract

Highlights•Adaptive Synthetic Sampling (ADASYN) algorithm was used to minority classes.•Ensemble classifier and Bootstrap Strategy to deal with the majority classes.•Three feature variables were used to predict DNA binding sites in protein sequence.•High accuracy of the proposed ensemble method compared with other methods on three datasets.AbstractIdentification of DNA–protein binding sites in protein sequence plays an essential role in a wide variety of biological processes. In particular, there are huge volumes of protein sequences accumulated in the post-genomic era. In this study, we propose a new prediction approach appropriate for imbalanced DNA–protein binding sites data. Specifically, motivated by the imbalanced problem of the distribution of DNA–protein binding and non-binding sites, we employ the Adaptive Synthetic Sampling (ADASYN) approach to over-sample the positive data and Bootstrap strategy to under-sample the negative data to balance the number of the binding and non-b
۳۵۰,۰۰۰ ریال – خرید
امتیاز شما:
(No Ratings Yet)
Back To Top