prikaz prve stranice dokumenta Analiza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja
  Preuzmi
PDF 2.34 MB
diplomski rad
Analiza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja
2022. urn:nbn:hr:190:792800
Erjavac, Ivan
Sveučilište u Rijeci
Tehnički fakultet
Zavod za računarstvo
Katedra za programsku podršku

Citirajte ovaj rad

Erjavac, I. (2022). Analiza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja (Diplomski rad). Rijeka: Sveučilište u Rijeci, Tehnički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:190:792800

Erjavac, Ivan. "Analiza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2022. https://urn.nsk.hr/urn:nbn:hr:190:792800

Erjavac, Ivan. "Analiza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 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', Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, citirano: 29.04.2024., https://urn.nsk.hr/urn:nbn:hr:190:792800

Erjavac I. Analiza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja [Diplomski rad]. Rijeka: Sveučilište u Rijeci, Tehnički fakultet; 2022 [pristupljeno 29.04.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:792800

I. Erjavac, "Analiza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja", Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, Rijeka, 2022. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:792800

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:190:792800
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovAnaliza osjetljivosti modela visoke točnosti za predviđanje antimikrobnih peptida spregom metoda enkodiranja
Naslov (engleski)Coupled encoding methods for antimicrobial peptide prediction: How sensitive is a highly accurate model?
AutorIvan Erjavac
MentorGoran Mauša (mentor)
Član povjerenstvaIvo Ipšić (predsjednik povjerenstva)
Član povjerenstvaSandi Ljubić (član povjerenstva)
Član povjerenstvaGoran Mauša (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Rijeci
Tehnički fakultet
(Zavod za računarstvo)
(Katedra za programsku podršku)
Rijeka
Datum i država obrane2022-09-30, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
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, 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.
Sažetak (engleski)
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 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.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:190:792800
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag. 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 pohrane2023-10-24 09:58:05