Predição de promotores de Bacillus subtilis usando técnicas de aprendizado de máquina
Ano de defesa: | 2005 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal do Rio Grande do Norte
|
Programa de Pós-Graduação: |
Programa de Pós-Graduação em Engenharia Elétrica
|
Departamento: |
Automação e Sistemas; Engenharia de Computação; Telecomunicações
|
País: |
BR
|
Palavras-chave em Português: | |
Palavras-chave em Inglês: | |
Área do conhecimento CNPq: | |
Link de acesso: | https://repositorio.ufrn.br/jspui/handle/123456789/15416 |
Resumo: | One of the most important goals of bioinformatics is the ability to identify genes in uncharacterized DNA sequences on world wide database. Gene expression on prokaryotes initiates when the RNA-polymerase enzyme interacts with DNA regions called promoters. In these regions are located the main regulatory elements of the transcription process. Despite the improvement of in vitro techniques for molecular biology analysis, characterizing and identifying a great number of promoters on a genome is a complex task. Nevertheless, the main drawback is the absence of a large set of promoters to identify conserved patterns among the species. Hence, a in silico method to predict them on any species is a challenge. Improved promoter prediction methods can be one step towards developing more reliable ab initio gene prediction methods. In this work, we present an empirical comparison of Machine Learning (ML) techniques such as Na¨ýve Bayes, Decision Trees, Support Vector Machines and Neural Networks, Voted Perceptron, PART, k-NN and and ensemble approaches (Bagging and Boosting) to the task of predicting Bacillus subtilis. In order to do so, we first built two data set of promoter and nonpromoter sequences for B. subtilis and a hybrid one. In order to evaluate of ML methods a cross-validation procedure is applied. Good results were obtained with methods of ML like SVM and Naïve Bayes using B. subtilis. However, we have not reached good results on hybrid database |
id |
UFRN_1aec0b9587723f45fab4006ba35031ba |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/15416 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Monteiro, Meika Iwatahttp://lattes.cnpq.br/6479379685092821http://lattes.cnpq.br/1562357566810393Souto, Marcílio Carlos Pereira dehttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4790032E1Oliveira, Jauvane Cavalcante dehttp://lattes.cnpq.br/4054756781423727Dória Neto, Adrião Duartehttp://lattes.cnpq.br/1987295209521433Gonçalves, Luiz Marcos Garcia2014-12-17T14:56:02Z2007-02-122014-12-17T14:56:02Z2005-12-13MONTEIRO, Meika Iwata. Predição de promotores de Bacillus subtilis usando técnicas de aprendizado de máquina. 2005. 92 f. Dissertação (Mestrado em Automação e Sistemas; Engenharia de Computação; Telecomunicações) - Universidade Federal do Rio Grande do Norte, Natal, 2005.https://repositorio.ufrn.br/jspui/handle/123456789/15416One of the most important goals of bioinformatics is the ability to identify genes in uncharacterized DNA sequences on world wide database. Gene expression on prokaryotes initiates when the RNA-polymerase enzyme interacts with DNA regions called promoters. In these regions are located the main regulatory elements of the transcription process. Despite the improvement of in vitro techniques for molecular biology analysis, characterizing and identifying a great number of promoters on a genome is a complex task. Nevertheless, the main drawback is the absence of a large set of promoters to identify conserved patterns among the species. Hence, a in silico method to predict them on any species is a challenge. Improved promoter prediction methods can be one step towards developing more reliable ab initio gene prediction methods. In this work, we present an empirical comparison of Machine Learning (ML) techniques such as Na¨ýve Bayes, Decision Trees, Support Vector Machines and Neural Networks, Voted Perceptron, PART, k-NN and and ensemble approaches (Bagging and Boosting) to the task of predicting Bacillus subtilis. In order to do so, we first built two data set of promoter and nonpromoter sequences for B. subtilis and a hybrid one. In order to evaluate of ML methods a cross-validation procedure is applied. Good results were obtained with methods of ML like SVM and Naïve Bayes using B. subtilis. However, we have not reached good results on hybrid databaseUm dos grandes desafios da Bioinformática é manipular e analisar os dados acumulados nas bases de dados mundiais. A expressão dos genes em procariotos é iniciada quando a enzima RNA polimerase une-se com uma região próxima ao gene, chamada de promotor, onde é localizado os principais elementos regulatórios do processo de transcrição. Apesar do crescente avanço das técnicas experimentais (in vitro) em biologia molecular, caracterizar e identificar um número significante de promotores ainda é uma tarefa difícil. Os métodos computacionais existentes enfrentam a falta de um número adequado de promotores conhecidos para identificar padrões conservados entre as espécies. Logo, um método para predizê-los em qualquer organismo procariótico ainda é um desafio. Neste trabalho, apresentamos uma comparação empírica de técnicas individuais de aprendizado de máquina, tais como: Classificador Bayesiano Ingênuo, Árvores de Decisão, Máquinas de Vetores de Suporte, Redes Neurais do tipo VotedPerceptron, PART e k-Vizinhos Mais Próximos e sistemas multiclassificadores (Bagging e Adaboosting) e Modelo Oculto de Markov à tarefa de predição de promotores procariotos em Bacilos subtilis. Utilizamos a validação cruzada para avaliar todos os métodos de AM. Para esses testes, foram construídas base de dados com seqüências de promotores e não-promotores do Bacillus subtilis e uma base de dados híbrida. Os métodos de AM obtiveram bons resultados com o SVM e o Naïve Bayes. Não conseguimos entretanto, obter resultados relevantes para a base de dados híbridaapplication/pdfporUniversidade Federal do Rio Grande do NortePrograma de Pós-Graduação em Engenharia ElétricaUFRNBRAutomação e Sistemas; Engenharia de Computação; TelecomunicaçõesAprendizado de MáquinaReconhecimento de PromotoresBioinformáticaLearning MachinePromoters identificationBioinformaticsCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAPredição de promotores de Bacillus subtilis usando técnicas de aprendizado de máquinainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALMeikaIM.pdfapplication/pdf766418https://repositorio.ufrn.br/bitstream/123456789/15416/1/MeikaIM.pdf87a604688aa5cd2c4f6aba8237c67210MD51TEXTMeikaIM.pdf.txtMeikaIM.pdf.txtExtracted texttext/plain126348https://repositorio.ufrn.br/bitstream/123456789/15416/6/MeikaIM.pdf.txt0cbe216fbefbd6e311a02cb8efecc101MD56THUMBNAILMeikaIM.pdf.jpgMeikaIM.pdf.jpgIM Thumbnailimage/jpeg2163https://repositorio.ufrn.br/bitstream/123456789/15416/7/MeikaIM.pdf.jpgf66e63616a4d4568b8e4b93f9b60cc03MD57123456789/154162017-11-02 09:43:39.154oai:https://repositorio.ufrn.br:123456789/15416Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2017-11-02T12:43:39Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.por.fl_str_mv |
Predição de promotores de Bacillus subtilis usando técnicas de aprendizado de máquina |
title |
Predição de promotores de Bacillus subtilis usando técnicas de aprendizado de máquina |
spellingShingle |
Predição de promotores de Bacillus subtilis usando técnicas de aprendizado de máquina Monteiro, Meika Iwata Aprendizado de Máquina Reconhecimento de Promotores Bioinformática Learning Machine Promoters identification Bioinformatics CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
title_short |
Predição de promotores de Bacillus subtilis usando técnicas de aprendizado de máquina |
title_full |
Predição de promotores de Bacillus subtilis usando técnicas de aprendizado de máquina |
title_fullStr |
Predição de promotores de Bacillus subtilis usando técnicas de aprendizado de máquina |
title_full_unstemmed |
Predição de promotores de Bacillus subtilis usando técnicas de aprendizado de máquina |
title_sort |
Predição de promotores de Bacillus subtilis usando técnicas de aprendizado de máquina |
author |
Monteiro, Meika Iwata |
author_facet |
Monteiro, Meika Iwata |
author_role |
author |
dc.contributor.authorID.por.fl_str_mv |
|
dc.contributor.authorLattes.por.fl_str_mv |
http://lattes.cnpq.br/6479379685092821 |
dc.contributor.advisorID.por.fl_str_mv |
|
dc.contributor.advisorLattes.por.fl_str_mv |
http://lattes.cnpq.br/1562357566810393 |
dc.contributor.advisor-co1ID.por.fl_str_mv |
|
dc.contributor.referees1.pt_BR.fl_str_mv |
Oliveira, Jauvane Cavalcante de |
dc.contributor.referees1ID.por.fl_str_mv |
|
dc.contributor.referees1Lattes.por.fl_str_mv |
http://lattes.cnpq.br/4054756781423727 |
dc.contributor.referees2.pt_BR.fl_str_mv |
Dória Neto, Adrião Duarte |
dc.contributor.referees2ID.por.fl_str_mv |
|
dc.contributor.referees2Lattes.por.fl_str_mv |
http://lattes.cnpq.br/1987295209521433 |
dc.contributor.author.fl_str_mv |
Monteiro, Meika Iwata |
dc.contributor.advisor-co1.fl_str_mv |
Souto, Marcílio Carlos Pereira de |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4790032E1 |
dc.contributor.advisor1.fl_str_mv |
Gonçalves, Luiz Marcos Garcia |
contributor_str_mv |
Souto, Marcílio Carlos Pereira de Gonçalves, Luiz Marcos Garcia |
dc.subject.por.fl_str_mv |
Aprendizado de Máquina Reconhecimento de Promotores Bioinformática |
topic |
Aprendizado de Máquina Reconhecimento de Promotores Bioinformática Learning Machine Promoters identification Bioinformatics CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
dc.subject.eng.fl_str_mv |
Learning Machine Promoters identification Bioinformatics |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
description |
One of the most important goals of bioinformatics is the ability to identify genes in uncharacterized DNA sequences on world wide database. Gene expression on prokaryotes initiates when the RNA-polymerase enzyme interacts with DNA regions called promoters. In these regions are located the main regulatory elements of the transcription process. Despite the improvement of in vitro techniques for molecular biology analysis, characterizing and identifying a great number of promoters on a genome is a complex task. Nevertheless, the main drawback is the absence of a large set of promoters to identify conserved patterns among the species. Hence, a in silico method to predict them on any species is a challenge. Improved promoter prediction methods can be one step towards developing more reliable ab initio gene prediction methods. In this work, we present an empirical comparison of Machine Learning (ML) techniques such as Na¨ýve Bayes, Decision Trees, Support Vector Machines and Neural Networks, Voted Perceptron, PART, k-NN and and ensemble approaches (Bagging and Boosting) to the task of predicting Bacillus subtilis. In order to do so, we first built two data set of promoter and nonpromoter sequences for B. subtilis and a hybrid one. In order to evaluate of ML methods a cross-validation procedure is applied. Good results were obtained with methods of ML like SVM and Naïve Bayes using B. subtilis. However, we have not reached good results on hybrid database |
publishDate |
2005 |
dc.date.issued.fl_str_mv |
2005-12-13 |
dc.date.available.fl_str_mv |
2007-02-12 2014-12-17T14:56:02Z |
dc.date.accessioned.fl_str_mv |
2014-12-17T14:56:02Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
MONTEIRO, Meika Iwata. Predição de promotores de Bacillus subtilis usando técnicas de aprendizado de máquina. 2005. 92 f. Dissertação (Mestrado em Automação e Sistemas; Engenharia de Computação; Telecomunicações) - Universidade Federal do Rio Grande do Norte, Natal, 2005. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/jspui/handle/123456789/15416 |
identifier_str_mv |
MONTEIRO, Meika Iwata. Predição de promotores de Bacillus subtilis usando técnicas de aprendizado de máquina. 2005. 92 f. Dissertação (Mestrado em Automação e Sistemas; Engenharia de Computação; Telecomunicações) - Universidade Federal do Rio Grande do Norte, Natal, 2005. |
url |
https://repositorio.ufrn.br/jspui/handle/123456789/15416 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
BR |
dc.publisher.department.fl_str_mv |
Automação e Sistemas; Engenharia de Computação; Telecomunicações |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/15416/1/MeikaIM.pdf https://repositorio.ufrn.br/bitstream/123456789/15416/6/MeikaIM.pdf.txt https://repositorio.ufrn.br/bitstream/123456789/15416/7/MeikaIM.pdf.jpg |
bitstream.checksum.fl_str_mv |
87a604688aa5cd2c4f6aba8237c67210 0cbe216fbefbd6e311a02cb8efecc101 f66e63616a4d4568b8e4b93f9b60cc03 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1797777758941609984 |