دانلود مقاله isi ارزیابی عملکرد شبکه عصبی عمیق در داده های پیش بینی سایت فسفوریلاسیون پروتئین محدود

زبان مقاله: انگلیسی
سال انتشار: 2019

خلاصه
یکی از انواع مهم و مهم اصلاح (PTM) پس از ترجمه ، فسفوریلاسیون است. فسفوریلاسیون پروتئین برای تنظیم فعالیتهای مختلف آنزیم و گیرنده که شامل مسیرهای سیگنال است ، استفاده می شود. مطالعات قابل توجهی زیادی برای پیش بینی سایت های فسفوریلاسیون با استفاده از روشهای مختلف یادگیری ماشین انجام شده است. به تازگی ، چندین محقق ادعا کرده اند که روش های مبتنی بر یادگیری عمیق به عنوان بهترین روش برای پیشگویی فسفوریلاسیون است. با این حال ، عملکرد این روشها با داده های آموزش گسترده مورد استفاده در تحقیقات ، مورد حمایت قرار گرفت. در این مقاله ، ما عملکرد شبکه عصبی عمیق ساده را بر روی داده های محدودی که عموماً قبل از اشتغال در یادگیری عمیق استفاده می شود ، مطالعه می کنیم. نتیجه نشان می دهد که یک شبکه عصبی عمیق هنوز می تواند عملکرد قابل مقایسه ای را در تنظیمات داده محدود بدست آورد.

Abstract
One of the common and important post-translational modification (PTM) types is phosphorylation. Protein phosphorylation is used to regulate various enzyme and receptor activations which include signal pathways. There have been many significant studies conducted to predict phosphorylation sites using various machine learning methods. Recently, several researchers claimed deep learning based methods as the best methods for phosphorylation sited prediction. However, the performance of these methods were backed up with the massive training data used in the researches. In this paper, we study the performance of simple deep neural network on the limited data generally used prior to deep learning employment. The result shows that a deep neural network can still achieve comparable performance in the limited data settings.

---

برچسب ها: پیش بینی سایت فسفوریلاسیون فسفوریلاسیون پروتئین یادگیری عمیق شبکه عصبی عمیق