التنبؤ بالتركيب الثانوي للبروتين من خلال الدمج بين نموذج ماركوف المخفي والشبكات العصبية الاصطناعية
Prediction of Secondary Structures of Protein by Combining Hidden Markov Model and Artificial Neural Networks
- الباحث
- آلاء عبدالرزاق مهدي صالح
- المشرف
- عمر صابر قاسم يحيى - فاطمة محمود حسن
- الجامعة
- جامعة الموصل
- الكلية / القسم
- كلية علوم الحاسوب والرياضيات / الرياضيات
- الشهادة
- ماجستير
- السنة
- 2023
- لغة الرسالة
- عربي
- الكلمات المفتاحية
- التركيب الثانوي للبروتين ; نموذج ماركوف المخفي ; الشبكات العصبية الاصطناعية ; التنبؤ
الملخص
يعد تحليل بنية البروتين bel بالغ الأهمية في ag الترتيبات المعقدة للهياكل ثلاثية الأبعاد للبروتينات، يعتمد التحديد الدقيق للهياكل الثلاثية بشكل كبير على معرفة الهياكل الثانوبة. في هذه الرسالة، تم تقديم خوارزمية مقترحة Combining Hidden Neural (CHN) تعتمد على دمج نموذج ماركوف المخفي Hidden Markov Models (HMM) والشبكات العصبية الاصطناعية Artificial Neural Networks (ANN) للتنبؤ بالبنية الثانوية للبروتين Protein Secondary Structure Predict (PSSP) تتضمن Aull المعالجة للطريقة المقترحة CHN الجمع بين مصفوفة الانبعاث Emission Matrix التابعة لنموذج ،HMM مع مخططات الترميز الخاصة بالشبكة العصبية الاصطناعية ANN لتوليد خصائص مشتركة بين ،ANN، HMM وبالتالي تعزيز عملية التدريب، حيث تم معالجة القيم الصفرية في مصفوفة الانبعاث مسبقا من خلال مفاهيم المنطق الضبابي .Fuzzy Logic تكشف التجارب التي تم اجرائها أن خوارزمية CHN تتفوق على الأساليب التقليدية؛ وتظهر مرونة فائقة في التعامل مع مجموعات البيانات المتنوعة، مع تحقيق دقة ملحوظة؛ عند تقييمها باستخدام مجموعة بيانات 1895126 مقارنة ببعض الدراسات السابقة. تسلط هذه النتائج الضوء على التطورات المهمة التي تقدمها خوارزمية1121اء1! CHN Combining Hidden في مجال التنبؤ ببنية البروتين، مما يساهم في فهم أعمق لهياكل البروتين والوظائف المرتبطة بها.
Abstract
Protein structure analysis is of utmost importance in understanding the intricate arrangements of the three-dimensional structures of proteins. Accurate determination of the tertiary structures heavily relies on knowledge of the secondary structures. In this master's thesis, a proposed algorithm called Combining Hidden Neural (CHN) is presented, which combines Hidden Markov Models (HMM) and Artificial Neural Networks (ANN) to predict the protein's secondary structure (PSSP). The processing mechanism of the CHN method involves merging the emission matrix of the HMM model with the encoding schemes of the ANN to generate common features between HMM and ANN, thereby enhancing the training process. Zero values in the emission matrix are preprocessed using Fuzzy Logic concepts. Experimental results demonstrate that the CHN algorithm outperforms traditional methods and exhibits remarkable flexibility in handling diverse datasets, when applied to the Intersect-Pieces and Rots-Sander datasets. Furthermore, the algorithm achieves a prediction when evaluated using the RS126 dataset, surpassing some previous studies. These results shed light on the significant advancements offered by the CHN algorithm in the field of protein structure prediction, contributing to a deeper understanding of protein structures and their associated functions.
طلب نسخة من الملف
الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.