پیش بینی ساختار دوم پروتئین ها با استفاده از شبکه های عصبی

thesis
  • وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی امیرکبیر(پلی تکنیک تهران) - دانشکده مهندسی
  • author سپیده بابایی
  • adviser علی سیدصالحی
  • Number of pages: First 15 pages
  • publication year 1387
abstract

شناخت عملکرد پروتئین ها با توجه به گستره فعالیت آنها از مسائل مهم زیست شناسی محسوب می شود. ساختار سه بعدی یک پروتئین در نحوه عملکرد آن نقش اساسی دارد. با توجه با رشد روز افزون رشته های پروتئین شناخته شده و مشکلات تعیین ساختار آنها به صورت آزمایشگاهی، روشهای محاسباتی برای پیش بینی ساختار پروتئین از توالی آمینواسیدهای سازنده آن مورد استفاده قرار می گیرند. پیش بینی مطمئن ساختار دوم علاوه بر ارائه اطلاعات ارزشمند در مورد رشته پروتئین می تواند به عنوان سنگ بنای سایر پیش بینی های پیچیده تر ساختار سه بعدی به کار گرفته شود. شبکه های عصبی به عنوان ابزاری قدرتمند در طبقه بندی الگوهای رشته ای در این حوزه کاربرد وسیعی پیدا کرده اند. تعیین اندازه و طراحی ساختار مناسب شبکه با توجه به ویژگیهای الگوهای ورودی، نقش مهمی در بهبود کارایی آن ایفا می کنند. در این کار از روش قاعده مند هرس شبکه های عصبی برای تعیین اندازه مناسب یک شبکه جلوسو با دو لایه پنهان به عنوان شبکه پایه و حفظ قدرت تعمیم دهی آن استفاده شده است. یک شبکه بازگشتی لایه ای با دو لایه زمینه که اطلاعات برهمکنش ساختارهای دوم را در طبقه بندی وارد می کند، برای افزایش صحت پیش بینی با الهام از شبکه های استفاده شده در بازشناخت گفتار، ارائه شده است. بر این مبنا سه مدل که طول همسایگی مختلفی از خروجی را در شبکه بازگشتی وارد می کنند، طراحی شده اند که نسبت به شبکه پایه افزایش صحت پیش بینی حاصل شده است. سه مدل دیگر بر اساس استفاده از اطلاعات بر همکنش سراسری آمینواسیدها در طول زنجیره پروتئین توسعه یافته اند. اتصالات بازگشتی در این مدلها در لایه های پنهان حافظه ای پویا ایجاد می کنند که در دو سوی رشته پروتئین گسترش یافته و اثر همجواری کل زنجیره را برای هر آمینواسید در نظر می گیرند. به این ترتیب کارایی شبکه در بازشناسی ساختار دوم رشته ورودی افزایش می یابد. در نهایت مدلی ترکیبی از شبکه بازگشتی لایه ای و بازگشتی دو طرفه ارائه شده است. این شبکه قادر است اطلاعات همبستگی ساختارهای دوم و همسایگی محلی و سراسری آمینواسیدها را در کل طول رشته پروتئین در نظر گیرد. صحت پیش بینی ساختار دوم با استفاده از ساختار جدید ارائه شده افزایش قابل توجهی دارد و به 66/78? رسیده است که نسبت به شبکه پایه 6? و نسبت به پیش بینی کننده های معروف 3/4 ? بهبود کارایی مشاهده می شود.

First 15 pages

Signup for downloading 15 first pages

Already have an account?login

similar resources

پیش بینی ساختار دوم پروتئین با استفاده از شبکه عصبی

پروتئین ها نقش کلیدی در بسیاری از فعالیت های حیاتی موجودات زنده بر عهده دارند، با توجه به این اهمیت، تولید پروتئین و تغییر ساختار آن برای نیل به اهدافی از قبیل طراحی داروها، ارسال دارو به بافت هدف تولید جایگزین های زیستی برای از بین بردن ترکیبات شیمیایی خطرناک محیط و غیره، از اهداف مطالع? پروتئین ها در علوم انفورماتیک و مهندسی پروتئین می باشد. در راه رسیدن به این هدف آگاهی از عملکرد و طرز کار ی...

پیش بینی سطح عمومی قیمت ها و تورم در ایران با استفاده از شبکه عصبی

(صحت مطالب مقاله بر عهده نویسنده است و بیانگر دیدگاه مجمع تشخیص مصلحت نظام نیست)  هدف این مقاله پیش بینی روند تورم و شاخص قیمت ها در اقتصاد ایران است. داده‌های این مقاله شامل تورم سالانه و داده‌های ماهانه شاخص قیمت مصرف‌کننده در ایران از سال 1340 تا 1392 می باشد. در این تحقیق برای پیش بینی تورم از شبکه عصبی مصنوعی استفاده شده است. برای پیش‌بینی تورم ماهانه از یک شبکه پس‌انتشار خطا(BP) با 15 نر...

full text

مقایسه پیش بینی هزینه ها با استفاده از روش های آماری و شبکه عصبی مطالعه موردی: شهرداری اصفهان

پیش بینی هزینه کل آب در شهرداری اصفهان کمک موثری میباشد برای بهینه سازی مصرف آب در 14 منطقهشهرداری اصفهان. هزینه کل آب تابعی از پارامترهای مختلف و متنوع می باشد. به همین دلیل پیش بینی هزینه بهصورت تحلیلی بسیار مشکل و یا ناممکن می باشد. در این شرایط استفاده از سیستم های هوشمند می تواند بهعنوان یک گزینه راهگشا مطرح گردد. در این تحقیق با استفاده از شبک ه های عصبی پرسپترون چند لایه و باالگوریتم آمو...

full text

پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه های عصبی

اندازه و روند شاخص‌های قیمت سهام یکی از مهمترین عوامل تاثیرگذار بر تصمیمات سرمایه گذاران در بازارهای مالی می‌باشد. جهت پیش‌بینی بازار از تکنیکهای مختلفی استفاده شده است که معمول‌ترین آنها روشهای رگرسیون و مدل‌های 3ARIMA هستند اما این مدل‌ها در عمل جهت پیش‌بینی بعضی از سریها ناموفق بوده‌اند. در تحقیق حاضر برای پیش‌بینی شاخص کل بورس از مدل شبکه‌های عصبی پیش خور4 با قانون یادگیری پس انتشار خطا5 در...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی امیرکبیر(پلی تکنیک تهران) - دانشکده مهندسی

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023