ترجمه فارسی مقاله شبکه پیوند عملکردی تصادفی چند نمایشی برای پیش‌بینی پروتئین‌های اتصال به DNA

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Multiview Random Vector Functional Link Network for Predicting DNA-Binding Proteins
عنوان مقاله به فارسی شبکه پیوند عملکردی تصادفی چند نمایشی برای پیش‌بینی پروتئین‌های اتصال به DNA
نویسندگان A. Quadir, M. Sajid, M. Tanveer
فرمت مقاله انگلیسی PDF
تعداد صفحات 35
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Biomolecules,یادگیری ماشین , مولکول های زیستی ,
توضیحات Submitted 4 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 4 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The identification of DNA-binding proteins (DBPs) is a critical task due to their significant impact on various biological activities. Understanding the mechanisms underlying protein-DNA interactions is essential for elucidating various life activities. In recent years, machine learning-based models have been prominently utilized for DBP prediction. In this paper, to predict DBPs, we propose a novel framework termed a multiview random vector functional link (MvRVFL) network, which fuses neural network architecture with multiview learning. The proposed MvRVFL model combines the benefits of late and early fusion, allowing for distinct regularization parameters across different views while leveraging a closed-form solution to determine unknown parameters efficiently. The primal objective function incorporates a coupling term aimed at minimizing a composite of errors stemming from all views. From each of the three protein views of the DBP datasets, we extract five features. These features are then fused together by incorporating a hidden feature during the model training process. The performance of the proposed MvRVFL model on the DBP dataset surpasses that of baseline models, demonstrating its superior effectiveness. Furthermore, we extend our assessment to the UCI, KEEL, AwA, and Corel5k datasets, to establish the practicality of the proposed models. The consistency error bound, the generalization error bound, and empirical findings, coupled with rigorous statistical analyses, confirm the superior generalization capabilities of the MvRVFL model compared to the baseline models.

چکیده به فارسی (ترجمه ماشینی)

شناسایی پروتئین های اتصال دهنده DNA (DBP) به دلیل تأثیر قابل توجه آنها در فعالیت های مختلف بیولوژیکی یک کار مهم است.درک مکانیسم های اساسی تعامل پروتئین DNA برای روشن کردن فعالیت های مختلف زندگی ضروری است.در سالهای اخیر ، از مدل های مبتنی بر یادگیری ماشین به طور برجسته برای پیش بینی DBP استفاده شده است.در این مقاله ، برای پیش بینی DBP ها ، ما یک چارچوب جدید را پیشنهاد می کنیم که به عنوان یک شبکه عملکردی وکتور تصادفی چند منظوره (MVRVFL) ، که معماری شبکه عصبی را با یادگیری چند منظوره فیوز می کند ، پیشنهاد می کنیم.مدل MVRVFL پیشنهادی مزایای فیوژن دیر و اوایل را ترکیب می کند ، و این امکان را برای پارامترهای تنظیم متمایز در نمای مختلف فراهم می کند در حالی که از یک محلول بسته برای تعیین پارامترهای ناشناخته استفاده می کند.عملکرد هدف اولیه شامل یک اصطلاح اتصال با هدف به حداقل رساندن کامپوزیت خطاهای ناشی از همه دیدگاه ها است.از هر یک از سه نمایش پروتئین مجموعه داده های DBP ، پنج ویژگی را استخراج می کنیم.این ویژگی ها سپس با ترکیب یک ویژگی پنهان در طی فرایند آموزش مدل ، با هم ذوب می شوند.عملکرد مدل MVRVFL پیشنهادی در مجموعه داده DBP از مدل های پایه پیشی می گیرد و اثربخشی برتر آن را نشان می دهد.علاوه بر این ، ما ارزیابی خود را به مجموعه داده های UCI ، Keel ، AWA و Corel5K گسترش می دهیم تا عملی مدل های پیشنهادی را تعیین کنیم.خطای قوام محدود ، خطای تعمیم و یافته های تجربی ، همراه با تجزیه و تحلیل آماری دقیق ، قابلیت های تعمیم برتر مدل MVRVFL را در مقایسه با مدل های پایه تأیید می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.