prikaz prve stranice dokumenta Predviđanje aktivnosti peptida modelom strojnog učenja temeljenog na podskupu značajki iz formata SMILES
  Download
PDF 2.73 MB
undergraduate thesis
Predviđanje aktivnosti peptida modelom strojnog učenja temeljenog na podskupu značajki iz formata SMILES
2022. urn:nbn:hr:190:659128
Negovetić, Mario
University of Rijeka
Faculty of Engineering
Department of Computer Engineering

Cite this document

Negovetić, M. (2022). Predviđanje aktivnosti peptida modelom strojnog učenja temeljenog na podskupu značajki iz formata SMILES (Undergraduate thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:659128

Negovetić, Mario. "Predviđanje aktivnosti peptida modelom strojnog učenja temeljenog na podskupu značajki iz formata SMILES." Undergraduate thesis, University of Rijeka, Faculty of Engineering, 2022. https://urn.nsk.hr/urn:nbn:hr:190:659128

Negovetić, Mario. "Predviđanje aktivnosti peptida modelom strojnog učenja temeljenog na podskupu značajki iz formata SMILES." Undergraduate thesis, University of Rijeka, Faculty of Engineering, 2022. https://urn.nsk.hr/urn:nbn:hr:190:659128

Negovetić, M. (2022). 'Predviđanje aktivnosti peptida modelom strojnog učenja temeljenog na podskupu značajki iz formata SMILES', Undergraduate thesis, University of Rijeka, Faculty of Engineering, accessed 07 May 2024, https://urn.nsk.hr/urn:nbn:hr:190:659128

Negovetić M. Predviđanje aktivnosti peptida modelom strojnog učenja temeljenog na podskupu značajki iz formata SMILES [Undergraduate thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2022 [cited 2024 May 07] Available at: https://urn.nsk.hr/urn:nbn:hr:190:659128

M. Negovetić, "Predviđanje aktivnosti peptida modelom strojnog učenja temeljenog na podskupu značajki iz formata SMILES", Undergraduate thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2022. Available at: https://urn.nsk.hr/urn:nbn:hr:190:659128

Please login to the repository to save this object to your list.
Metadata
TitlePredviđanje aktivnosti peptida modelom strojnog učenja temeljenog na podskupu značajki iz formata SMILES
Title (english)Machine learning-based peptide activity prediction using a subset of features from the SMILES format
AuthorMario Negovetić
MentorGoran Mauša (mentor)
Committee memberKristijan Lenac (predsjednik povjerenstva)
Committee memberGoran Mauša (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
(Department of Computer Engineering)
Rijeka
Defense date and country2022-09-15, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Artificial Intelligence
Abstract
U današnje vrijeme dostupne su velike količine informacija koje je potrebno smanjiti i odabrati samo one koje su bitne za donošenje zaključaka ili predviđanje budućeg stanja. U ovom radu analiziraju se teorijski i implementacijski glavne tehnike u predobradi podataka te postupci strojnog učenja u primjeni za predviđanje katalitičke i antimikrobne aktivnosti peptida. Skup podataka dobiven je pretvorbom zapisa peptida iz formata FASTA u format SMILES, nakon čega su izračunate značajke kemijske strukture. Napravljena je komparativna analiza filtar tehnika i tehnika omotač s posebnim osvrtom na forward i backward, pritom uspoređujući vremenske performanse i broj odabranih značajki. Model strojnog učenja temeljem algoritma Slučajna šuma treniran je raznim skupovima podataka pri čemu najbolje metrike ostvaruje nakon filtar tehnike uzevši u obzir ROC-AUC i F1 rezultate. U katalitičkom skupu podataka one iznose 0,939 i 0,961, a u antimikrobnom skupu iznose 0,977 i 0,910. Ovim radom demonstrirana je učinkovitost tehnike filtra sa stajališta trošenja računalnih resursa.
Abstract (english)
Nowadays, large amounts of information are available and there is a growing need to reduce and sort through them in order to make valid conclusions or predict future states. This thesis analyses the main theoretical and implementational techniques in data preprocessing and machine learning procedures applied in predicting the catalytic and antimicrobial activity of peptides. The data set was obtained by converting peptides from the FASTA to the SMILES format, upon which chemical structure features were calculated. A comparative analysis of the filter and wrapper techniques was made with special reference to forward and backward, whilst comparing time performance and selected feature numbers. The machine learning model based on the Random Forest algorithm was then trained with various data sets whereby the best metrics was achieved after the filter technique, taking into consideration the ROC-AUC and F1 results. In the catalytic data set they amount to 0,939 and 0,961, and in the antimicrobial set they amount to 0,977 and 0,910. This thesis demonstrates the efficiency of the filter technique from the perspective of computer resource spending.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:659128
Study programmeTitle: Computer Engineering
Study programme type: university
Study level: undergraduate
Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) 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 on2022-09-20 22:15:18