• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>International Journal of Molecular Sciences >Prediction of Protein–ATP Binding Residues Based on Ensemble of Deep Convolutional Neural Networks and LightGBM Algorithm
【2h】

Prediction of Protein–ATP Binding Residues Based on Ensemble of Deep Convolutional Neural Networks and LightGBM Algorithm

机译：基于深卷积神经网络和LightGBM算法集合的蛋白质-ATP结合残基预测

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Accurately identifying protein–ATP binding residues is important for protein function annotation and drug design. Previous studies have used classic machine-learning algorithms like support vector machine (SVM) and random forest to predict protein–ATP binding residues; however, as new machine-learning techniques are being developed, the prediction performance could be further improved. In this paper, an ensemble predictor that combines deep convolutional neural network and LightGBM with ensemble learning algorithm is proposed. Three subclassifiers have been developed, including a multi-incepResNet-based predictor, a multi-Xception-based predictor, and a LightGBM predictor. The final prediction result is the combination of outputs from three subclassifiers with optimized weight distribution. We examined the performance of our proposed predictor using two datasets: a classic ATP-binding benchmark dataset and a newly proposed ATP-binding dataset. Our predictor achieved area under the curve (AUC) values of 0.925 and 0.902 and Matthews Correlation Coefficient (MCC) values of 0.639 and 0.642, respectively, which are both better than other state-of-art prediction methods.
机译：准确识别蛋白质-ATP结合残基对蛋白质功能注释和药物设计很重要。以前的研究使用了支持向量机（SVM）和随机森林等经典机器学习算法，以预测蛋白质ATP结合残留物;然而，随着正在开发的新机器学习技术，可以进一步提高预测性能。在本文中，提出了一种结合深度卷积神经网络和LightGBM与集合学习算法的集合预测器。已经开发了三个子类分类器，包括基于多重的基于商业的预测器，基于多七曲缩视的预测器和LightGBM预测器。最终预测结果是具有三个子类化因子的输出组合，具有优化的重量分布。我们使用两个数据集检查了我们提出的预测器的表现：经典ATP绑定基准数据集和新提出的ATP绑定数据集。我们的预测仪在0.925和0.902的曲线（AUC）值下实现的面积分别与0.639和0.642的马修相关系数（MCC）值分别优于其他最先进的预测方法。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号