Using machine learning methods to predict protein contact map
Using machine learning methods to predict protein contact map
- Tez No: 379745
- Danışmanlar: DOÇ. DR. TURGAY İBRİKÇİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2015
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Protein, peptit bağları ile birbirne bağlanmış amino asit rezidülerinden oluşan insan vücudunda çok önemli biyolojik makro moleküldür. Protein yapısı, onun dizileriyle belirlendiği için protein dizilerinden protein yapısı tahmini biyoinformatikte en önemli temel problem olmuştur. Protein rezidülerinin temas haritası proteinin üç boyutlu biçiminin bilgisini içermektedir. Bu tezde protein temas haritası tahmini; sinir ağları, lojistik regresyon, destek vektör makineleri ve diğer bilinen birkaç makine öğrenme metotları temel alınarak sunulmuştur. Bu tezde, sonuçlar karşılaştırılmıştır. Bu sonuçlar, Lojistik Regresyon, Destek Vektör Makineleri, Decorate ve Dagging algoritmalarının protein rezidü temas haritalarını tahmin etmede bizim veri setimiz üzerinde daha iyi sonuçlar verdiğini göstermiştir.
Özet (Çeviri)
Protein is the crucial biological macromolecules which is consist chains of amino acid residues joined together by peptide bonds in human body. Since protein's structure is determined by its sequence, predicting protein structure from its sequence has become one of the most fundamental issue in the bioinformatics. The residue contact map of protein contains knowledge which represents three dimensional conformation of protein. In this thesis, machine learning approaches to protein contact map prediction problem based on neural networks, logistic regression, support vector machines and other a few known machine learning methods were presented. The results are compared. These results demonstrate that the Logistic Regression, Support Vector Machine, Decorate, and Dagging algorithms give the better results as protein contact map prediction on our dataset.
Benzer Tezler
- Accurate free energy calculations for dolvation of small molecules; and HBGAs binding to human norovirus-VP1 protein using QM, MD and ML-MD methods
QM, MD ve ML-MD metotlarını kullanarak küçük moleküllerin hassas çözünme serbest enerji ve HBGA'ların insan Norovirüs-VP1 proteinine bağlanma hesaplamaları
MÜTESİR TEMEL
Yüksek Lisans
İngilizce
2022
KimyaGebze Teknik ÜniversitesiKimya Ana Bilim Dalı
PROF. DR. AZİZ TANRISEVEN
DOÇ. DR. ABDULKADİR KOÇAK
- SARS-CoV-2 proteini ile insan proteini arasindaki etkileşimlerin makine öğrenmesi yöntemleri ile tahmini
Prediction of interactions between SARS-CoV-2 protein and human protein using machine learning methods
FİRDES GÜL KORKUT
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT GÖK
- Accelerating molecular docking using machine learning methods
Kenetleme hesaplarının makine öğrenme metotları ile hızlandırılması
ABDULSALAM YAZID BANDE
Yüksek Lisans
İngilizce
2022
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
Assist. Prof. Dr. SEFER BADAY
- Machine learning approach to quantification of intra-tumour heterogeneity using genomic, epigenomic and proteomic data
Genomik, epigenomik ve proteomik verileri kullanarak tümor içi heterojenite nicelleştirmesine makine öğrenmesi yaklaşımı
ERSİN ONUR ERDOĞAN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGÜR CAN TURNA
- Protein fragment selection using machine learning
Makine öğrenmesi ile protein parçacık seçimi
ALPEREN EMRE ULUTAŞ
Yüksek Lisans
İngilizce
2018
BiyomühendislikAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ZAFER AYDIN