Prévision de la structure secondaire des protéines
Prévision des régions transmembranaires hélicoïdales à l'aide du système d'inférence neuro-floue adaptative
Versandkostenfrei!
Versandfertig in 6-10 Tagen
18,99 €
inkl. MwSt.
PAYBACK Punkte
9 °P sammeln!
Au cours des dernières années, divers modèles de calcul ont été appliqués pour résoudre divers problèmes biologiques. Divers prédicteurs de régions transmembranaires ont été développés pour prédire la structure secondaire des protéines avec des niveaux de précision variables. Ce livre fournit un modèle basé sur le système d'inférence neuro-floue adaptative (ANFIS) pour prédire la région transmembranaire hélicoïdale en acquérant les informations structurelles de la protéine cible directement à partir de ses données de séquence. De plus, un système d'inférence flo...
Au cours des dernières années, divers modèles de calcul ont été appliqués pour résoudre divers problèmes biologiques. Divers prédicteurs de régions transmembranaires ont été développés pour prédire la structure secondaire des protéines avec des niveaux de précision variables. Ce livre fournit un modèle basé sur le système d'inférence neuro-floue adaptative (ANFIS) pour prédire la région transmembranaire hélicoïdale en acquérant les informations structurelles de la protéine cible directement à partir de ses données de séquence. De plus, un système d'inférence floue a été développé en utilisant le même ensemble de tests pour comparer les performances du modèle ANFIS. La meilleure configuration du modèle ANFIS avec une RMSE et une précision de 40,92% et 76,76%, respectivement, semble surpasser le modèle flou, qui a atteint une RMSE et une précision de 54,45% et 70,37%, respectivement. Le succès de cette approche suggère qu'elle peut trouver des applications potentielles dans d'autres problèmes d'analyse séquentielle. Le modèle décrit dans ce livre sera utile aux bioinformaticiens qui développent des modèles nouveaux et stimulants pour résoudre différents problèmes biologiques.
Andere Kunden interessierten sich für
