Protein superfamily classification using Kernel Principal Component Analysis and Probabilistic Neural Networks

Using Probabilistic Neural Networks to Predict the Localization of Proteins in Cell Compartments

“…Вероятностные нейронные сети являются подвидом искусственных нейронных сетей на основе радиальной базисной функции, опирающимся на принцип непрерывности плотности вероятности. Используя известные точки данных, каждому возможному результату (классу) по принципу Парзеновского окна [3,4], а именно сопоставляется аппроксимация функции плотности вероятности, построенная на соответствующих этому результату точках данных как суперпозиция Гауссовых ядер в качестве базовых функций [5]. Такой расчет проводится для всех возможных результатов и в качестве ответа выбирается вариант, отвечающий наибольшему значению функции плотности вероятности.…”

“…Вероятностные нейронные сети широко применяются в задачах классификации и распознавания, таких как различные задачи в медицине [6], включая диагностику таких заболеваний, как аритмия [7], опухоли головного мозга [8], рак кожи [9] и прочие [10][11][12], диагностика в медицине [13,14], распознавание голоса [15], определение личности по голосу [16], радужной оболочке глаза [17], изображению лица [18] и геометрии рук [19], распознавание, обработка и классификация изображений [20,21]. В области биологии вероятностные нейронные сети находят применение в таких задачах, как классификация белков по суперсемействам [5].…”

“…Примером таких баз являются быстро растущие базы данных, описывающие свойства и структуру различных белков [26]. В работе [5] уже была показана высокая эффективность классификации белков по суперсемействам с использованием вероятностных нейронных сетей, что подтверждает возможность использование подобных сетей для анализа данных, опубликованных в протеомных базах. С учетом легкости включения новых данных и высокой скоростью вероятностные нейронные сети могут быть перспективным инструментом для работы с данными из протеомных баз, причем с учетом описанных выше их свойств, возможно в будущем даже в качестве инструмента для анализа данных пользователями.…”

“…Полученные в результате точности классификации составили 57.5 % для дрожжей и 85.0 % для E. coli, что несколько превосходит результаты, показанные в работах [27,41], использующих другие подходы, так в работе [27] для задачи классификации сайтов в дрожжах был получен результат 55 % и для бактериальных клеток результат 80 %. Более высокая эффективность предложенного метода обусловлена тем, что вероятностные нейронные сети показывают способность выявлять связи внутри отдельных классов лучше, чем другие методы в похожих задачах [5] [8] [13] и [14].…”

“…Данная работа является одним из немногих примеров применения вероятностных нейронных сетей для анализа протеомных данных. Как и в работе [5], подтверждается возможность использования такого типа искусственных нейронных сетей для решения некоторых задач по анализу биоинформационных баз данных. Важными преимуществами выбранных алгоритмов является их способность к быстрому обучению и легкость интеграции новых данных, поэтому перспективным подходом может стать использование вероятностных нейронных сетей для решения задач классификации в условиях непрерывно пополняющейся базы данных.…”