[논문]프로모터 예측을 위한 다중 결정 모델 지능 시스템

Yeo, Sang-Soo; Rhee, Jung-Won; Kim, Sung-Kwon

프로모터 예측을 위한 다중 결정 모델 지능 시스템
Intelligent System for Promoter Recognition with Multiple Decision Models 원문보기

Yeo, Sang-Soo (School of Computer Science & Engineering, Chung-Ang University) , Rhee, Jung-Won (School of Computer Science & Engineering, Chung-Ang University) , Kim, Sung-Kwon (School of Computer Science & Engineering, Chung-Ang University)

The Development of promoter recognition systems is a interesting problem in computational biology. In this paper, we introduce a intelligent system fur promoter recognition with multiple decision models using artificial neural networks. We have trained this models with 1871 human promoter sequences and 5230exon and intron sequences. Our system is found to perform better than other promoter finding systems insensitivity and specificity measures. We have tested our system with Chromosome 22 dataset.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

제안 방법

일반적인 결정 모델은 예' 또는 아니오,의 답을 하도록 학습 시키는 것이 일반적이다. 그러나, 본 시스템에서는 학습을 하기 이전에 프로모터 데이터들을 먼저 클러스터링 과정을 통해 10개의 클러스터들로 나눈다. 마찬가지로 비프로모터 데이터들도 10개의 클러스터들로 나눈다.
학습 데이터들을 가지고 신경망을 학습시키는 과정에서 20% Cross Validation을 하였다.

대상 데이터

76)로부터 가져왔다. EPD에는 현재 2997개의 진핵 생물의 프로모터 시퀀스 데이터가 있는데, 이중에서 인간(Homo Sapiens) 프로모터 데이터 18기개를 본 시스템의 프로모터학습 데이터로 사용하였다. 프로모터 시퀀스는 TSS를 중심으로 -200bpsF50bps를 취하였다.
두 번째 데이터 그룹은 염색체 22번 시퀀스이다. 염색체 22번 데이터는 Sanger 센터(http://www.
먼저 EPD에 서 가져 온 프로모터 시퀀스의 뒤쪽에 위치하는 엑손과 인트론들의 시퀀스들을 가지고 와서 중복된 부분들을 없애는 과정을 거치고 251bps씩의 길이로 잘라서 3934개의 시퀀스를 만들었고, 인트론만으로 이루어진 1296개의 중복되지 않는 시퀀스를 역시 GenBank로부터 획득하였다.
염색체 22번 데이터는 Sanger 센터(http://www.sanger.ac.uk/HGP/Chr22/)에 서 만들어진 시퀀스 데이터이다. 염색체 22번은 총 47748585bps이고, 1~13100000까지에는 유전자가 존재하지 않는 것으로 밝혀진 부분이다.
같다. 첫번째 데이터 그룹은 다른 유전자 예즉 프로그램들에서 학습(training) 데이터 로 사용된 데 이 터 들로써, Geneld[7] 시스템 (http://www 1 .imim.es/geneid.html), Genie[8] 시스 템(http://www.fruitfly.org/seq_tools/datasets/Human) 등에서 획득하였다.

성능/효과

본 논문에서 개발된 시스템은 인간 프로모터 예측을 위해 만들어졌고, 평균적으로 기존의 프로모터 예측 시스템에 비해서 민감도(sensitivity)가 많이 향상된 결과를 보여준다.
본 시스템은 다른 프로모터 예측 시스템에 비해 민감도에서 많은 향상이 있었다. 특이도 또한 많이 알려진 Dragon Promoter Finder vl.
본 시스템의 다중 결정 모델을 가지고 프로모터를 예측하는 시스템으로서 민감도에서 많은 향상이 있었고, 그에 대한 특이도에서도 다른 프로모터 예측 시스템과 비교했을 때 향상된 결과를 보여준다.

후속연구

특이도면에서의 성능향상은 계속해서 연구되어야 하는 것으로서, 연구 모델의 변경, 파라메터 값의 조정 등이 더 필요하다고 본다.

원문 보기

ScienceON 원문보기

*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.

저작권 관리 안내

내보내기 메뉴

내보내기 구분

파일저장
인쇄
메일전송

구성항목

기본정보
상세정보

관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관

저장형식

Text(ASCII format)
Excel format
RefWorks Direct Export
RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley

메일정보

받는사람 (필수): @
보내는사람 (선택): @
제목
내용: KISTI 검색결과 이메일 서비스

안내

총 건의 자료가 검색되었습니다.

다운받으실 자료의 인덱스를 입력하세요. (1-10,000)

검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다.

데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요)

다운로드 파일은 UTF-8 형태로 저장됩니다.
파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오.

Text(ASCII format)
Excel format

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

AI-Helper ※ AI-Helper는 을 사용합니다.

AI-Helper

안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

연합인증

프로모터 예측을 위한 다중 결정 모델 지능 시스템
Intelligent System for Promoter Recognition with Multiple Decision Models 원문보기

Abstract ▼ AI-Helper