COMPARISON OF MACHINE LEARNING TECHNIQUES FOR PREDICTING NLR PROTEINS

人工智能 随机森林 机器学习 支持向量机 计算机科学 伪氨基酸组成 分类器(UML) 计算生物学 模式识别(心理学) 氨基酸 二肽 生物 生物化学
作者
Nadia Nadia,Ekta Gandotra,Narendra Kumar
出处
期刊:Biomedical Engineering: Applications, Basis and Communications [National Taiwan University]
卷期号:35 (02) 被引量:1
标识
DOI:10.4015/s1016237222500508
摘要

The nucleotide-binding domain leucine-rich repeat-containing (NLR) proteins plays significant role in the intestinal tissue repair and innate immunity. It recently added to the members of innate immunity effectors molecules. It also plays an essential role in intestinal microbiota and recently emerged as a crucial hit for developing ulcerative colitis (UC) and colitis-associated cancer (CAC). A machine learning-based approach for predicting NLR proteins has been developed. In this study, we present a comparison of three supervised machine learning algorithms. Using ProtR and POSSUM Packages, the features are extracted for the dataset used in this work. The models are trained with the input compositional features generated using dipeptide composition, amino acid composition, etc., as well as Position Specific Scoring Matrix (PSSM) based compositions. The dataset consists of 390 proteins for the negative and positive datasets. The five-fold cross-validation (CV) is used to optimize Sequential Minimal Optimization (SMO) library of Support Vector Machine (LIBSVM) and Random Forest (RF) parameters, and the best model was selected. The proposed work performs rationally well with an accuracy of 90.91% and 93.94% for RF as the best classifier for the Amino Acid Composition (AAC) and PSE_PSSM-based model. We believe that this method is a reliable, rapid and useful prediction method for NLR Protein.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
云青完成签到,获得积分10
刚刚
enshun发布了新的文献求助10
1秒前
1秒前
快乐的千秋完成签到,获得积分10
1秒前
安沐完成签到,获得积分10
2秒前
libs完成签到,获得积分10
2秒前
2秒前
ShengxK完成签到,获得积分10
2秒前
cc完成签到,获得积分10
2秒前
3秒前
断绝的发布了新的文献求助50
3秒前
君莫笑发布了新的文献求助10
3秒前
3秒前
清脆又晴完成签到,获得积分10
3秒前
田様应助躲哪个草采纳,获得10
5秒前
苏卿应助123采纳,获得10
5秒前
埋头科研完成签到,获得积分10
5秒前
6秒前
7秒前
uu完成签到,获得积分10
7秒前
CipherSage应助barry采纳,获得10
7秒前
7秒前
lele发布了新的文献求助10
8秒前
情怀应助xuan采纳,获得10
8秒前
Lance先生完成签到,获得积分10
9秒前
LiLi发布了新的文献求助10
9秒前
亲爱的安德烈完成签到,获得积分10
10秒前
哈耶发布了新的文献求助10
11秒前
11秒前
11秒前
CJ完成签到,获得积分10
11秒前
迷人的煎饼完成签到,获得积分10
11秒前
可爱的函函应助泡泡儿采纳,获得10
11秒前
栗子发布了新的文献求助10
11秒前
milan001发布了新的文献求助10
12秒前
missinglotta发布了新的文献求助10
14秒前
14秒前
哟哟哟完成签到,获得积分10
15秒前
赘婿应助猪猪玉采纳,获得10
15秒前
爱吃烤苕皮完成签到,获得积分10
16秒前
高分求助中
Evolution 10000
Becoming: An Introduction to Jung's Concept of Individuation 600
Distribution Dependent Stochastic Differential Equations 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
The Kinetic Nitration and Basicity of 1,2,4-Triazol-5-ones 440
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3159243
求助须知:如何正确求助?哪些是违规求助? 2810372
关于积分的说明 7887509
捐赠科研通 2469200
什么是DOI,文献DOI怎么找? 1314702
科研通“疑难数据库(出版商)”最低求助积分说明 630697
版权声明 602012