Upload
mustakim-masnur-suksesslalu
View
215
Download
0
Embed Size (px)
Citation preview
7/26/2019 Classifying inhibitor kinase likeness by SVM, ANN,k-NN, & DT
1/6
Resume of Journal:
Classifying Kinase Inhibitor-Likeness by Using Machine-Learning Methos
Hans Briem* and Judith Gunther
Mustakim Masnur
Universitas Muhammadiyah Surakarta
!bstrak
Dengan menggunakan in-house kumpulan data struktur molekul kecil,
dikodekan oleh parameter Ghose-Crippen, beberapa teknik pembelajaran
mesin yang diterapkan untuk membedakan antara inhibitor kinase dan
molekul lain dengan tidak ada aktivitas yang dilaporkan pada setiap
protein kinase. eempat pendekatan mesin ditempuh-dukungan-vektor
!S"M#, $rti%cial neural net !$&, #, k nearest neighbor classi%cation 'ith G$-
optimi(ed )eature selection !G$ * k&, dan partisi rekursi) !+# dengan
terbukti mampu memberikan perbedaan 'ajar . &amun demikian,
perbedaan substansial dalam kinerja antara metode yang diamati. Untuk
semua teknik diuji, penggunaan suara konsensus dari model yang
berbeda berasal meningkatkan kualitas prediksi dalam hal akurasi, presisi,
recall, dan nilai /. S"M, diikuti oleh kombinasi G$ * k&&, mengungguli
teknik lain ketika membandingkan rata-rata model individu. Dengan
menggunakan suara terbanyak masing-masing, prediksi jaringan sara)
menghasilkan nilai / tertinggi, diikuti oleh S"Ms.
Metoe
"ata sets an escri#tors
umpulan data yang digunakan untuk pelatihan dan pengujian sistem
terdiri dari kedua senya'a kinase-akti) dan -inactive dari perpustakaanSchering. Senya'a diberi label 0akti)0 jika hal itu menunjukkan 1C234
3mm dalam setidaknya satu dari delapan tes di rumah kinase !tiga
kinase Ser * 5hr, lima kinase 5yr#. ambang kegiatan ini dipilih karena
merupakan standar internal untuk memulai kegiatan tindak lanjut setelah
melalui penyaringan tinggi
Seluruh kolam senya'a pelatihan mengandung 262 molekul
diklasi%kasikan sebagai 0akti)0 dan 789 sebagai 0inactives0. Selain itu,
set uji independen dari 239 senya'a !:39 akti) dan 33 inactives# telah
menyisihkan untuk tujuan validasi. Senya'a secara acak ditugaskanuntuk baik set pelatihan atau tes set.
7/26/2019 Classifying inhibitor kinase likeness by SVM, ANN,k-NN, & DT
2/6
Sebuah pengelompokan berbasis perancah dari seluruh set data yang
digunakan rogram Classharmer ;ioreason ini
7/26/2019 Classifying inhibitor kinase likeness by SVM, ANN,k-NN, & DT
3/6
Machine-learning methos
Sebuah penjelasan rinci tentang algoritma klasi%kasi yang digunakandalam penelitian ini akan melampaui lingkup artikel ini. Aleh karena itu
kami akan menjelaskan hanya sebentar setiap metode dan parameter
yang digunakan. Untuk rincian lebih lanjut tentang matematika yang
mendasari, kita mengacu pada kutipan yang diberikan di setiap subbagian
berikut.
&u##ort-%ector machine '&(M)
S"Ms menyediakan novel dia'asi teknik mesin-belajar a'alnya diusulkan
oleh "apnik.
7/26/2019 Classifying inhibitor kinase likeness by SVM, ANN,k-NN, & DT
4/6
S"Ms. ;eberapa aplikasi yang berhubungan dengan kimia baru-baru ini
termasuk prediksi titik isoelektrik asam amino, dapat diperoleh untuk kedua model berbasis S"M dan model
7/26/2019 Classifying inhibitor kinase likeness by SVM, ANN,k-NN, & DT
5/6
berbasis k&& G$ *I ini menunjukkan bah'a metode ini juga berlaku untuk
pemilihan senya'a dalam praktek.
Menggunakan suara terbanyak dari model yang berasal meningkatkan
kualitas prediksi untuk semua empat metode, tetapi kebanyakan dgn jelas
untuk jaringan sara). ;ahkan, $&& suara mayoritas mengungguli semua
prediksi lain dalam hal ingat !3,>># dan / !3.>6#. Suara mayoritas dari
model S"M menghasilkan presisi tertinggi !3,>6# dan sebaik akurasi !3.>>#
sebagai ensemble $&&. Meskipun set data yang berbeda dan deskriptor
molekul digunakan batas komparabilitas hasil, angka-angka ini berada di
kisaran yang sama dengan akurasi prediksi 78F yang Manallack et al.
7/26/2019 Classifying inhibitor kinase likeness by SVM, ANN,k-NN, & DT
6/6
Mengenai pilihan deskriptor molekul, kami percaya bah'a keseimbangan
antara tingkat rinci abstraksi yang disediakan oleh himpunan )ragmen
Ghose-Crippen umum dan membuat mereka cocok untuk klasi%kasi
molekul kecil sehubungan dengan potensi mereka untuk menghambat
target tertentu kelas keluarga.