Predicción estructural de proteínas usando técnicas de clasificación
No Thumbnail Available
Date
Advisors
Evaluators
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
Description
In this paper, a new protein structure prediction method is presented. Unlike current methods, this work introduces an approach based on supervised classification algorithms during the protein structure prediction. The accuracy of the proposed method was compared to traditional methods such as LFF (Local Feature Frequency) when using the Scop 2,05 dataset. The results indicate that there is a significant difference between these two methods. The proposed method reaches accuracy values of 92.13 %, 96.32 %, 93.05 %, and 76.35 %, at class, fold, superfamily, and family levels, respectively, and the LFF method reaches accuracy values of 85.90 %, 90.54 %, 79.85 % and 67.38 %, for the same structural levels.
En este artículo se presenta un nuevo enfoque para la predicción estructural de proteínas. A diferencia de los métodos que existen actualmente, en este trabajo se propone un enfoque en el que se utilizan algoritmos de clasificación basados en aprendizaje supervisado para efectuar la predicción estructural. El desempeño del método propuesto se compara con el de métodos tradicionales como local feature frequency (LFF) usando el conjunto de datos Scop 2,05. Los resultados obtenidos indican que hay una diferencia favorable para el método propuesto y alcanzan porcentajes de proteínas correctamente clasificadas de 92,13 %, en cuanto a clase; 96,32 %, pliegue; 93,05 %, en superfamilia, y 76,35 %, en familia. Así se superan métodos tradicionales como LFF, que obtiene porcentajes de 85,90 %, 90,54 %, 79,85 % y 67,38 % para los mismos niveles estructurales.
En este artículo se presenta un nuevo enfoque para la predicción estructural de proteínas. A diferencia de los métodos que existen actualmente, en este trabajo se propone un enfoque en el que se utilizan algoritmos de clasificación basados en aprendizaje supervisado para efectuar la predicción estructural. El desempeño del método propuesto se compara con el de métodos tradicionales como local feature frequency (LFF) usando el conjunto de datos Scop 2,05. Los resultados obtenidos indican que hay una diferencia favorable para el método propuesto y alcanzan porcentajes de proteínas correctamente clasificadas de 92,13 %, en cuanto a clase; 96,32 %, pliegue; 93,05 %, en superfamilia, y 76,35 %, en familia. Así se superan métodos tradicionales como LFF, que obtiene porcentajes de 85,90 %, 90,54 %, 79,85 % y 67,38 % para los mismos niveles estructurales.
Keywords
Bioinformatics, classifiers, structural prediction, proteins, SCOP, Bioinformática, clasificadores, predicción estructural, proteínas, SCOP