prikaz prve stranice dokumenta Analiza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja
  Download
PDF 2.34 MB
master's thesis
Analiza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja
2022. urn:nbn:hr:190:792800
Erjavac, Ivan
University of Rijeka
Faculty of Engineering
Department of Computer Engineering
Section of Software Engineering

Cite this document

Erjavac, I. (2022). Analiza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja (Master's thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:792800

Erjavac, Ivan. "Analiza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja." Master's thesis, University of Rijeka, Faculty of Engineering, 2022. https://urn.nsk.hr/urn:nbn:hr:190:792800

Erjavac, Ivan. "Analiza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja." Master's thesis, University of Rijeka, Faculty of Engineering, 2022. https://urn.nsk.hr/urn:nbn:hr:190:792800

Erjavac, I. (2022). 'Analiza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja', Master's thesis, University of Rijeka, Faculty of Engineering, accessed 05 April 2025, https://urn.nsk.hr/urn:nbn:hr:190:792800

Erjavac I. Analiza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja [Master's thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2022 [cited 2025 April 05] Available at: https://urn.nsk.hr/urn:nbn:hr:190:792800

I. Erjavac, "Analiza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja", Master's thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2022. Available at: https://urn.nsk.hr/urn:nbn:hr:190:792800

Please login to the repository to save this object to your list.
Metadata
TitleAnaliza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja
Title (english)Coupled encoding methods for antimicrobial peptide prediction: How sensitive is a highly accurate model?
AuthorIvan Erjavac
MentorGoran Mauša (mentor)
Committee memberIvo Ipšić (predsjednik povjerenstva)
Committee memberSandi Ljubić (član povjerenstva)
Committee memberGoran Mauša (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
(Department of Computer Engineering)
(Section of Software Engineering)
Rijeka
Defense date and country2022-09-30, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Trenutne primjene strojnog učenja u procesu otkrivanja antimikrobnih peptida ističu potrebu za smanjenjem stope lažno pozitivnih predviđanja klasifikacijskih modela. Uzimajući u obzir da pozitivna predviđanja visoke pouzdanosti motiviraju moderni eksperimentalni dizajn peptida, osjetljivost modela ključna je za smanjenje nepotrebnih laboratorijskih testiranja. Nadalje, uzimajući u obzir metodologiju dizajna koja se temelji na nasumičnim mutacijama nad potvrđenim antimikrobnim peptidima, ... More modeli strojnog učenja moraju moći razlikovati suptilne razlike između permutiranih sekvenci. S ciljem redukcije stope lažnih pozitiva i poboljšanja osjetljivosti modela, razvijen je hibridni pristup predviđanju antimikrobnih peptida koji koristi spregu modela enkodiranja. Implementirani su modeli koji istovremeno koriste fiziokemijske značajke i značajke koje se temelje na redoslijedu aminokiselina kako bi se naglasila važnost korištenja obje vrste reprezentacija. Također, istražuje se metoda binarnog enkodiranja za numeričku reprezentaciju peptida. Ta je metoda nedovoljno zastupljena u srodnim istraživanjima, a pokazala se da služi kao održiva, niskodimenzionalna alternativa one-hot enkodiranju. Rezultati su podržani Cochranovim i McNemarovim statističkim testovima, kao i Spearmanovom korelacijskom analizom, te sugeriraju da značajke koje se temelje na redoslijedu aminokiselina dobro komplementiraju fiziokemijskim značajkama i da njihov sinergijski učinak doprinosi poboljšanju svake korištene evaluacijske metrike. Predloženi hibridni pristup kombiniranja fiziokemijskih značajki i binarnog enkodiranja pomoću logičke konjunkcije pokazao se 2.96 puta bolji od nekombiniranih modela pri usporedbi stopa lažnih pozitiva, te do 6.1% bolji prilikom usporedbe preciznosti. Less
Abstract (english)
Current application of machine learning in the process of antimicrobial peptide discovery call for the reduction of the false positive predictions that are produced by the classification models. Considering that the positive predictions of high confidence drive modern experimental design, the model’s sensitivity is crucial to reduce the number of unnecessary in vitro tests. Furthermore, taking into account the expertbased design approaches that employ random mutations on confirmed... More sequences, the machine learning models are required to distinguish between subtle differences among shuffled sequences. With the goal of reducing the false positive rate and improving sensitivity, we propose a hybrid approach to antimicrobial peptide prediction that utilizes combined encoding models. To this end, we implement models that employ both the physico-chemical features and sequence ordering information to stress the importance of using both representations. We also investigate the usage of binary encoding for peptide representation purposes, a method that is insufficiently represented in related research, which proved to act as a viable low dimensional alternative to the one-hot encoding. Our results, supported by Cochran and McNemar statistical tests and Spearman correlation analysis, indicate that the sequence-based encodings complement the physico-chemical features and their synergic effect yields improvement in terms of every evaluation metric. Finally, the proposed hybrid approach that combines physico-chemical features and binary encoding using logical conjunction was shown to be superior to other single models by a factor of 2.96 in terms of fall-out and up to 6.1% in terms of precision. Less
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:792800
Study programmeTitle: Computer Engineering
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence Attribution 4.0 International (CC BY 4.0) icon
Created on2023-10-24 09:58:05
accessibility

closeAccessibilityrefresh

If you wish to permanently save changes, click on Save, if not - your settings will be reset when you restart the browser.