亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Predicting the function of rice proteins through Multi-instance Multi-label Learning based on multiple features fusion

计算机科学 人工智能 功能(生物学) 融合 特征提取 模式识别(心理学) 特征(语言学) 机器学习 生物 语言学 进化生物学 哲学
作者
Liu Jing,Xinghua Tang,Shuanglong Cui,Xiao Guan
出处
期刊:Briefings in Bioinformatics [Oxford University Press]
卷期号:23 (3) 被引量:2
标识
DOI:10.1093/bib/bbac095
摘要

There are a large number of unannotated proteins with unknown functions in rice, which are difficult to be verified by biological experiments. Therefore, computational method is one of the mainstream methods for rice proteins function prediction. Two representative rice proteins, indica protein and japonica protein, are selected as the experimental dataset. In this paper, two feature extraction methods (the residue couple model method and the pseudo amino acid composition method) and the Principal Component Analysis method are combined to design protein descriptive features. Moreover, based on the state-of-the-art MIML algorithm EnMIMLNN, a novel MIML learning framework MK-EnMIMLNN is proposed. And the MK-EnMIMLNN algorithm is designed by learning multiple kernel fusion function neural network. The experimental results show that the hybrid feature extraction method is better than the single feature extraction method. More importantly, the MK-EnMIMLNN algorithm is superior to most classic MIML learning algorithms, which proves the effectiveness of the MK-EnMIMLNN algorithm in rice proteins function prediction.
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
7秒前
19秒前
葡萄皮完成签到,获得积分10
24秒前
yangguang2000完成签到,获得积分10
26秒前
31秒前
跳跃毒娘完成签到,获得积分10
32秒前
可爱的函函应助远方采纳,获得10
39秒前
48秒前
Ambition完成签到,获得积分10
55秒前
Jade完成签到,获得积分10
56秒前
Ambition发布了新的文献求助10
1分钟前
1分钟前
胡茶茶完成签到 ,获得积分10
1分钟前
1分钟前
1分钟前
rubbish发布了新的文献求助10
1分钟前
宁羽完成签到,获得积分20
1分钟前
1分钟前
Billy应助Grayball采纳,获得30
2分钟前
完美不惜发布了新的文献求助10
3分钟前
充电宝应助完美不惜采纳,获得10
3分钟前
花花521发布了新的文献求助10
3分钟前
3分钟前
归海梦岚完成签到,获得积分0
3分钟前
潇洒绿蕊完成签到,获得积分10
3分钟前
3分钟前
Lucas应助科研通管家采纳,获得10
3分钟前
嗯哼应助科研通管家采纳,获得20
3分钟前
4分钟前
Sammy完成签到,获得积分10
4分钟前
4分钟前
Demo完成签到,获得积分10
4分钟前
蕊蕊蕊完成签到 ,获得积分10
4分钟前
5分钟前
阿强应助风中的宛白采纳,获得20
5分钟前
5分钟前
Jessica英语好完成签到 ,获得积分0
5分钟前
大个应助哈哈哈采纳,获得10
5分钟前
杲杲完成签到 ,获得积分10
5分钟前
嗯哼应助科研通管家采纳,获得20
5分钟前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 890
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
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 3256871
求助须知:如何正确求助?哪些是违规求助? 2899001
关于积分的说明 8303190
捐赠科研通 2568210
什么是DOI,文献DOI怎么找? 1394953
科研通“疑难数据库(出版商)”最低求助积分说明 652924
邀请新用户注册赠送积分活动 630649