論文の概要: Anticancer Peptides Classification using Kernel Sparse Representation
Classifier
- arxiv url: http://arxiv.org/abs/2212.10567v1
- Date: Mon, 19 Dec 2022 10:04:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 15:47:50.608860
- Title: Anticancer Peptides Classification using Kernel Sparse Representation
Classifier
- Title（参考訳）: カーネルスパース表現分類器を用いた抗癌ペプチドの分類
- Authors: Ehtisham Fazal and Muhammad Sohail Ibrahim and Seongyong Park and
Imran Naseem and Abdul Wahab
- Abstract要約: 従来のEmphblack box法とは異なる直感的な分類手法を提案する。
本手法では,計算コストのかかるエンフベーシス探索解法の代わりに,効率的なエンフマッチング探索解法を用いる。
提案手法は、よく知られた統計的パラメータのベンチマークデータセットを2つ評価し、既存の手法よりも優れていることを示した。
- 参考スコア（独自算出の注目度）: 1.1266890458892367
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cancer is one of the most challenging diseases because of its complexity,
variability, and diversity of causes. It has been one of the major research
topics over the past decades, yet it is still poorly understood. To this end,
multifaceted therapeutic frameworks are indispensable. \emph{Anticancer
peptides} (ACPs) are the most promising treatment option, but their large-scale
identification and synthesis require reliable prediction methods, which is
still a problem. In this paper, we present an intuitive classification strategy
that differs from the traditional \emph{black box} method and is based on the
well-known statistical theory of \emph{sparse-representation classification}
(SRC). Specifically, we create over-complete dictionary matrices by embedding
the \emph{composition of the K-spaced amino acid pairs} (CKSAAP). Unlike the
traditional SRC frameworks, we use an efficient \emph{matching pursuit} solver
instead of the computationally expensive \emph{basis pursuit} solver in this
strategy. Furthermore, the \emph{kernel principal component analysis} (KPCA) is
employed to cope with non-linearity and dimension reduction of the feature
space whereas the \emph{synthetic minority oversampling technique} (SMOTE) is
used to balance the dictionary. The proposed method is evaluated on two
benchmark datasets for well-known statistical parameters and is found to
outperform the existing methods. The results show the highest sensitivity with
the most balanced accuracy, which might be beneficial in understanding
structural and chemical aspects and developing new ACPs. The Google-Colab
implementation of the proposed method is available at the author's GitHub page
(\href{https://github.com/ehtisham-Fazal/ACP-Kernel-SRC}{https://github.com/ehtisham-fazal/ACP-Kernel-SRC}).
- Abstract（参考訳）: がんは、その複雑さ、多様性、原因の多様性のために最も困難な病気の1つである。
これは過去数十年間、主要な研究テーマの1つだったが、いまだによく分かっていない。
この目的のために、多面的治療フレームワークは不可欠である。
\emph{Anticancer peptides} (ACPs)は最も有望な治療法であるが、その大規模同定と合成には信頼性の高い予測方法が必要である。
本稿では,従来の \emph{black box} 法とは異なる直感的な分類戦略を示し,よく知られた \emph{sparse-representation classification} (src) の統計理論に基づいている。
具体的には, K-spaced amino acid pairs (CKSAAP) の \emph{composition を埋め込み, 過剰完全辞書行列を生成する。
従来のSRCフレームワークとは異なり、この戦略では計算コストのかかるemph{basis pursue}ソルバの代わりに、効率的なemph{matching pursue}ソルバを使用する。
さらに、kpca ( \emph{kernel principal component analysis}) は特徴空間の非線形性と次元縮小に対応し、smote ( \emph{synthetic minority oversampling technique}) は辞書のバランスをとるために用いられる。
提案手法は,よく知られた統計パラメータのための2つのベンチマークデータセット上で評価され,既存の手法よりも優れることがわかった。
その結果、最もバランスの取れた精度が最も高い感度を示し、構造的および化学的側面の理解と新しいACPの開発に有用である可能性が示唆された。
提案されたメソッドのGoogle-Colab実装は、著者のGitHubページで公開されている(\href{https://github.com/ehtisham-Fazal/ACP-Kernel-SRC}{https://github.com/ehtisham-fazal/ACP-Kernel-SRC})。
関連論文リスト
- HistoKernel: Whole Slide Image Level Maximum Mean Discrepancy Kernels for Pan-Cancer Predictive Modelling [0.48748194765816943]
計算病理学(CPath)における機械学習は、WSI(Whole Slide Images)からパッチレベルの予測を集約して、生存予測や薬物効果予測といった重要なタスクのためのWSIレベルの予測スコアを生成する。
我々は、下流予測タスクにおける予測性能を向上させるために、WSI間の分布類似性を測定する新しいカーネルであるHisto Kernelを紹介する。
論文 参考訳（メタデータ） (2024-08-09T17:40:08Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Deciphering RNA Secondary Structure Prediction: A Probabilistic K-Rook Matching Perspective [63.3632827588974]
RFoldは、与えられたシーケンスから最もよく一致するK-Rook解を予測する方法である。
RFoldは、最先端のアプローチよりも競争性能とおよそ8倍の推論効率を達成する。
論文 参考訳（メタデータ） (2022-12-02T16:34:56Z) - Efficient Approximate Kernel Based Spike Sequence Classification [56.2938724367661]
SVMのような機械学習モデルは、シーケンスのペア間の距離/相似性の定義を必要とする。
厳密な手法により分類性能は向上するが、計算コストが高い。
本稿では,その予測性能を向上させるために,近似カーネルの性能を改善する一連の方法を提案する。
論文 参考訳（メタデータ） (2022-09-11T22:44:19Z) - Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。
我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。
MRP のサブクラスに対する minimax の下位境界を証明する。
論文 参考訳（メタデータ） (2021-09-24T14:48:20Z) - Minimax Quasi-Bayesian estimation in sparse canonical correlation
analysis via a Rayleigh quotient function [1.0878040851638]
スパース標準ベクトルに対する既存の速度-最適推定器は計算コストが高い。
本稿では,最小推定率を達成する準ベイズ推定手法を提案する。
提案手法を用いて臨床変数とプロテオミクスデータを最大に相関させ,Covid-19 病の理解を深める。
論文 参考訳（メタデータ） (2020-10-16T21:00:57Z) - Gaussian MRF Covariance Modeling for Efficient Black-Box Adversarial
Attacks [86.88061841975482]
我々は,ゼロオーダーのオラクルにのみアクセス可能なブラックボックス設定において,逆例を生成する問題について検討する。
我々はこの設定を用いて、FGSM(Fast Gradient Sign Method)のブラックボックス版と同様に、高速な1ステップの敵攻撃を見つける。
提案手法はクエリを少なくし,現在の技術よりも攻撃成功率が高いことを示す。
論文 参考訳（メタデータ） (2020-10-08T18:36:51Z) - AFP-SRC: Identification of Antifreeze Proteins Using Sparse
Representation Classifier [5.285065659030821]
極寒地に住む種は、解凍タンパク質(AFP)を用いた厳しい環境と戦う
スパース再構成を用いたサンプル固有分類法を用いて,AFPの予測のための計算フレームワークを提案する。
提案手法は, 平衡精度とユーデン指数の点で優れていた。
論文 参考訳（メタデータ） (2020-09-11T08:24:50Z) - Approximation Algorithms for Sparse Principal Component Analysis [57.5357874512594]
主成分分析(PCA)は、機械学習と統計学において広く使われている次元削減手法である。
スパース主成分分析(Sparse principal Component Analysis)と呼ばれる,スパース主成分負荷を求める様々な手法が提案されている。
本研究では,SPCA問題に対するしきい値の精度,時間,近似アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-23T04:25:36Z) - Optimal Thinning of MCMC Output [18.177473712344565]
サンプルパスから固定基数のある状態の部分集合を振り返って選択する問題を考察する。
重圧縮を必要とする問題に適した,カーネルの差分最小化に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2020-05-08T10:54:25Z) - Entropy Regularized Power k-Means Clustering [21.013169939337583]
本稿では、クローズドフォーム更新と収束保証を享受できるスケーラブルな大規模化最小化アルゴリズムを提案する。
我々の手法は、$k$-meansと$k$-meansと同じ計算量を維持しているが、どちらも大幅に改善されている。
論文 参考訳（メタデータ） (2020-01-10T14:05:44Z)
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。