Fugu-MT 論文翻訳(概要): piSAAC: Extended notion of SAAC feature selection novel method for discrimination of Enzymes model using different machine learning algorithm

論文の概要: piSAAC: Extended notion of SAAC feature selection novel method for discrimination of Enzymes model using different machine learning algorithm

arxiv url: http://arxiv.org/abs/2101.03126v1
Date: Wed, 16 Dec 2020 03:45:21 GMT
ステータス: 処理完了
システム内更新日: 2021-05-06 12:16:25.722915
Title: piSAAC: Extended notion of SAAC feature selection novel method for discrimination of Enzymes model using different machine learning algorithm
Title（参考訳）: piSAAC:異なる機械学習アルゴリズムを用いた酵素モデルの識別のためのSAAC特徴選択法の拡張
Authors: Zaheer Ullah Khan, Dechang Pi, Izhar Ahmed Khan, Asif Nawaz, Jamil Ahmad, Mushtaq Hussain
Abstract要約: piSAACという新しい分割アミノ酸合成モデルを提案する。タンパク質配列は等しくバランスの取れた末端で識別され、配列の固有相関性を完全に評価する。
参考スコア（独自算出の注目度）: 13.921567068182132
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Enzymes and proteins are live driven biochemicals, which has a dramatic impact over the environment, in which it is active. So, therefore, it is highly looked-for to build such a robust and highly accurate automatic and computational model to accurately predict enzymes nature. In this study, a novel split amino acid composition model named piSAAC is proposed. In this model, protein sequence is discretized in equal and balanced terminus to fully evaluate the intrinsic correlation properties of the sequence. Several state-of-the-art algorithms have been employed to evaluate the proposed model. A 10-folds cross-validation evaluation is used for finding out the authenticity and robust-ness of the model using different statistical measures e.g. Accuracy, sensitivity, specificity, F-measure and area un-der ROC curve. The experimental results show that, probabilistic neural network algorithm with piSAAC feature extraction yields an accuracy of 98.01%, sensitivity of 97.12%, specificity of 95.87%, f-measure of 0.9812and AUC 0.95812, over dataset S1, accuracy of 97.85%, sensitivity of 97.54%, specificity of 96.24%, f-measure of 0.9774 and AUC 0.9803 over dataset S2. Evident from these excellent empirical results, the proposed model would be a very useful tool for academic research and drug designing related application areas.
Abstract（参考訳）: 酵素とタンパク質は生きた駆動の生化学であり、活性のある環境に劇的な影響を及ぼす。したがって、酵素の性質を正確に予測するためのロバストで高精度な自動計算モデルを構築することは極めて有望である。本研究では, piSAACと命名された新規アミノ酸合成モデルを提案する。このモデルでは、タンパク質配列は等しくバランスの取れた末端で識別され、配列の固有相関性を完全に評価する。提案したモデルを評価するためにいくつかの最先端アルゴリズムが用いられている。 10倍のクロスバリデーション評価は、例えば異なる統計測度を用いてモデルの信頼性と堅牢性を明らかにするために用いられる。精度, 感度, 特異性, F測定値, 面積アンダーROC曲線実験の結果、piSAAC特徴抽出による確率的ニューラルネットワークアルゴリズムは、98.01%の精度、97.12%の感度、95.87%の特異性、0.9812and AUC 0.95812のf値、データセットS1の精度、97.85%の精度、97.54%の感度、96.24%の特異性、0.9774とAUC 0.9803のデータセットS2のF値が得られた。これらの優れた実験結果から、提案モデルは、学術研究および薬物設計関連応用分野において非常に有用なツールとなる。

関連論文リスト

Interpretability methods of machine learning algorithms with applications in breast cancer diagnosis [1.1470070927586016]
我々は,グローバルサロゲート(GS)法,個人期待(ICE)プロット,条件シェープ値(SV)などの解釈可能性技術を用いた。乳がん診断における最良の成績は,提案したERN(精度96.6%,ROC曲線0.96)により得られた。
論文参考訳（メタデータ） (2022-02-04T13:41:30Z)
Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文参考訳（メタデータ） (2022-01-11T23:01:12Z)
Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文参考訳（メタデータ） (2021-11-15T03:16:56Z)
Classification of Upper Arm Movements from EEG signals using Machine Learning with ICA Analysis [0.0]
本稿では,多層パーセプトロンニューラルネットワークを用いて,左右の動作を識別する独自のアルゴリズムを提案する。不要信号の干渉は、アルゴリズムの性能に影響を与える脳波信号を汚染する。
論文参考訳（メタデータ） (2021-07-18T18:56:28Z)
A 1D-CNN Based Deep Learning Technique for Sleep Apnea Detection in IoT Sensors [3.2116198597240846]
本稿では,ウェアラブルデバイスから取得した心電図(ECG)信号から呼吸時無呼吸検出のための新しい手法を提案する。この新しさは、秒単位の高分解能の無呼吸検出に起因している。このモデルはいくつかの低分解能アパネ検出法より優れる。
論文参考訳（メタデータ） (2021-05-02T18:35:57Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Neurological Status Classification Using Convolutional Neural Network [0.0]
畳み込みニューラルネットワーク(CNN)モデルは,4つの異なる神経状態の相を正確に識別できることを示す。提案モデルでは,受信操作特性(ROC)のAUC(AreaUnder the Curve)が99.99%,テストデータセットの99.82%の分類精度が得られた。
論文参考訳（メタデータ） (2021-04-01T22:40:28Z)
Machine learning for detection of stenoses and aneurysms: application in a physiologically realistic virtual patient database [0.0]
動脈硬化症(CAS)、鎖骨下動脈硬化症(SAC)、末梢動脈疾患(PAD)、腹部大動脈瘤(AAA)の4つの主要な形態が検討されている。 Naive Bayes, Logistic Regression, Support Vector Machine, Multi-layer Perceptron, Random Forests, Gradient Boostingの6つの機械学習手法を分類精度と比較した。 ML手法の性能は、F1スコアと感性および特異性の計算によって定量化される。
論文参考訳（メタデータ） (2021-02-28T19:38:22Z)
MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文参考訳（メタデータ） (2021-01-07T13:08:44Z)
Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文参考訳（メタデータ） (2020-12-17T21:10:10Z)
A Novel Approach to Radiometric Identification [68.8204255655161]
本稿では,CAPoNeFの特徴工学的手法を用いて,高精度なラジオメトリック同定が可能であることを実証する。 SDRで収集した実験データに基づいて,基本的なML分類アルゴリズムを検証した。
論文参考訳（メタデータ） (2020-12-02T10:54:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。