prikaz prve stranice dokumenta Predviđanje aktivnosti peptida modelom strojnog učenja temeljenog na podskupu značajki iz formata SMILES
  Preuzmi
PDF 2.73 MB
završni rad
Predviđanje aktivnosti peptida modelom strojnog učenja temeljenog na podskupu značajki iz formata SMILES
2022. urn:nbn:hr:190:659128
Negovetić, Mario
Sveučilište u Rijeci
Tehnički fakultet
Zavod za računarstvo

Citirajte ovaj rad

Negovetić, M. (2022). Predviđanje aktivnosti peptida modelom strojnog učenja temeljenog na podskupu značajki iz formata SMILES (Završni rad). Rijeka: Sveučilište u Rijeci, Tehnički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:190:659128

Negovetić, Mario. "Predviđanje aktivnosti peptida modelom strojnog učenja temeljenog na podskupu značajki iz formata SMILES." Završni rad, Sveučilište u Rijeci, Tehnički fakultet, 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." Završni rad, Sveučilište u Rijeci, Tehnički fakultet, 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', Završni rad, Sveučilište u Rijeci, Tehnički fakultet, citirano: 12.04.2024., https://urn.nsk.hr/urn:nbn:hr:190:659128

Negovetić M. Predviđanje aktivnosti peptida modelom strojnog učenja temeljenog na podskupu značajki iz formata SMILES [Završni rad]. Rijeka: Sveučilište u Rijeci, Tehnički fakultet; 2022 [pristupljeno 12.04.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:659128

M. Negovetić, "Predviđanje aktivnosti peptida modelom strojnog učenja temeljenog na podskupu značajki iz formata SMILES", Završni rad, Sveučilište u Rijeci, Tehnički fakultet, Rijeka, 2022. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:659128

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:190:659128
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovPredviđanje aktivnosti peptida modelom strojnog učenja temeljenog na podskupu značajki iz formata SMILES
Naslov (engleski)Machine learning-based peptide activity prediction using a subset of features from the SMILES format
AutorMario Negovetić
MentorGoran Mauša (mentor)
Član povjerenstvaKristijan Lenac (predsjednik povjerenstva)
Član povjerenstvaGoran Mauša (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Rijeci
Tehnički fakultet
(Zavod za računarstvo)
Rijeka
Datum i država obrane2022-09-15, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Umjetna inteligencija
Sažetak
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.
Sažetak (engleski)
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.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:190:659128
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: preddiplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ. bacc. ing. comp)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Imenovanje 4.0 međunarodna (CC BY 4.0)
Datum i vrijeme pohrane2022-09-20 22:15:18