Статьи за последние 2 года
   
Deep attention based Proto-oncogene prediction and Oncogene transition possibility detection using moments and position based amino acid features / Vijayalakshmi M., Vallinayagi M. // Науч.-техн. вестн. информ. технол., мех. и оптики.— 2024 т. 24 № 1.— C. 101-111.— английский; рез.: русский
 
Источник: 
 - Выпуск сериального издания ( 1 )
 
Автор: 
 - Персоналии ( 2 )
Постоянная ссылка (СИД2) J2200342527
Название Deep attention based Proto-oncogene prediction and Oncogene transition possibility detection using moments and position based amino acid features
Автор Vijayalakshmi M.
Автор Vallinayagi M.
Источник Научно-технический вестник информационных технологий, механики и оптики
Страницы/Объём 101-111
Сокращ. назв. источника Науч.-техн. вестн. информ. технол., мех. и оптики
Год 2024
Том 24
Номер 1
Адрес в Интернет http://elibrary.ru/item.asp?id=60909212
Постоянная ссылка (СИД) J22003425
Ключевые слова (авторские) гены опухолевой супрессии%двунаправленная долговременная краткосрочная память%машинное обучение%прогнозирование%протоонкогены
Место хранения Удаленный доступ. Эл. регистр. НЭБ
Дата регистрации в ВИНИТИ 04.03.2024
Язык текста английский
Язык резюме русский
Аннотация Утрата регуляторной функции генов, подавляющих опухоль, и мутации в протоонкогенах являются общими механизмами, лежащими в основе неконтролируемого роста опухолей при разнообразном комплексе заболеваний, известных как рак. Онкоген можно излечить путем диагностики и лечения возможностей протоонкогена на ранних стадиях. В последнее время подходы машинного обучения помогают сосредоточить внимание и предоставить информацию о возможностях протоонкогена, который может превращаться в онкоген при различных типах рака или изменять его на ранних стадиях. Предложен эффективный и уникальный предиктор протоонкогена с помощью нейронной сети Bi-Directional Long Short Term Memory (BiLSTM), дополненный концепцией ухода за больными. Этот подход также позволяет определить вероятность перехода от протоонкогена к онкогену с использованием статистических моментов, представления аминокислотного состава на основе положения и глубоких особенностей, извлеченных из последовательности. В работе применен классификатор K-Nearest Neighbor с помощью, которого можно определить вероятность перехода от протоонкогена к раковому онкогену
Тематический раздел Биология