2005
Protein Secondary Structure Prediction by Machine Learning Methods
HROZA, JiříZákladní údaje
Originální název
Protein Secondary Structure Prediction by Machine Learning Methods
Název česky
Rozpoznavani sekundarni struktury proteinu metodami strojoveho uceni
Autoři
Vydání
Brno, Czech Republic, 1st International Summer School on Computational Biology, od s. 38-43, 5 s. 2005
Nakladatel
Masaryk University
Další údaje
Jazyk
angličtina
Typ výsledku
Stať ve sborníku
Obor
10201 Computer sciences, information science, bioinformatics
Stát vydavatele
Česká republika
Utajení
není předmětem státního či obchodního tajemství
Kód RIV
RIV/00216224:14330/05:00014719
Organizační jednotka
Fakulta informatiky
ISBN
80-210-3907-8
Klíčová slova anglicky
machine learning; protein; protein secondary structure prediction
Změněno: 28. 4. 2006 13:37, RNDr. Jiří Hroza
V originále
This paper concerns about an application of machine learning methods to a prediction of a secondary structure of an unknown protein. The aim of this study is to the compare artificial neural networks as the state of art method with decision trees and naive Bayes classifier. Detailed experiments are done on selected PDB database data. Results shows that decision trees achieving 87.4 % Q3 accuracy outperform neural networks (80.5 %). Naive Bayes classifier is unusable for this task.
Česky
Clanek se zabyva aplikaci metod strojoveho uceni na problem predikce sekundarni struktury neznamych proteinu. Cilem je porovnat umele neuronove site, jako nejmodernejsi pouzivane metody, s rozhodovacimi stromy a naivnim Bayesovskym klasifikatorem. Podrobne experimenty jsou provadeny na vybranych datech z PDB databaze proteinu. Vysledky ukazuji, ze rozhodovaci stromy dosahuji mnohem lepsich vysledku (87.4%) nez neuronove site (80.5%). Oproti tomu naivni Bayesuv klasifikator se ukazal jako neprilis vhodny.
Návaznosti
| MSM 143300003, záměr |
|