پیش بینی تغییرات بد منجر به سرطان با یادگیری ماشین + ترجمه مقاله isi
پروژه ۱۱۰۴: ترجمه مقاله انگلیسی به فارسی ژورنال isi
راهکار جدید در مورد یادگیری ماشینی بیماری- خاص برای پیش بینی تغییرات بد منجر به ایجاد سرطان
خلاصه ترجمه : (ترجمه به زبان سلیس و ساده انجام شده و جمعا ۲۵ صفحه word می باشد.)
راهکارهای مرتب کردن و قرار دادن ژنوتیپ با حاصل کار بالا به سرعت و بدون قیمت بالایی، میزان زیادی از اطلاعات مربوط به تغییرات ژنتیکی در انسان را ایجاد می نماید.پلی مورفیسم های تک نوکلئوتید (SNPS) منبع مهمی برای تغییر ژنوم انسان هستند و در بیماری های متعدد انسانی پیچیده شده اند که این بیماری ها شامل سرطان، جهش آمینواسیدها از SNPهای غیرمترادف در نواحی کدگذاری شده حاصل شده اند، ممکن است تغییرات عملکردی پروتئین از آنها مشتق شوند که تکثیر سلولی را تحت تاثیر قرار می دهند. در این تحقیق ، یک روش یادگیری ماشینی را برای پیش بینی تغییرات بدی که منجر به سرطان می شوند، تهیه کرده ایم. ما یک ماشین بردار پشتیبان و طبقه بندی کننده ارائه کرده ایم که روی دسته ای از متغیرهایی که باعث ایجاد سرطان می شوند. ما از کلاس بندی بردار پشتیبان svm روی ۳۱۶۳ تغییر موجب سرطان و تعداد برابری از پلی مرفیسم های خنثی آموزش انجام گرفته است. این روش به ۹۳% قسمت کلی ، ضریب هماهنگی ۸۶/۰ و منطقۀ زیر منحنی ROC از ۹۸/۰ رسیده است.
شما می توانید از لینک زیر دانلود فایل اصلی مقاله را به رایگان دانلود نمایید.
دانلود : رایگان اصل مقاله انگلیسی
دیگر توضیحات آمده در متن وورد:
- مقدمه:
۲- مواد و روش ها
۱-۲ ترمینولوژی
۲-۲ Data set ها
۳-۲ پیش بینی کنندگان SRM محورِ به کار گرفته شده
۴-۲ اطلاعات مربوط به رمز گذاری توالی:
۵-۲ رمز گذاری اطلاعات پروفایل
۶-۲ ویژگی های PANTHER
۷-۲ محاسبۀ امتیاز LGO
۸-۲ نرم افزار بردار پشتیبان
۹-۲ امتیاز دهی به اجرا
۳) نتایج
۱-۳ درستی روش
۲-۳ استفاده از فیلترها برای پیشرفت عملکرد:
۳-۳ مقایسه با سایر روش های پیش بینی
۴ -۳ آنالیز امتیاز GO
۴- بحث
در صورت سوال در مورد محصول می توانید از بخش تماس با ما (منوی بالا)، با شماره تلفن مورد نظر مکاتبه نمایید.
مجموعه: مقالات ترجمه شده, مهندسی کامپیوتربرچسب ها ، الگوریتم متکی به آمینواسیدی متوالی و اطلاعات تکاملی, SIFT و CHASM, SNP ها که حاصل پلی مرفیسم های تک آمینواسیدی, SNPها و GO شامل عملکرد جدیدی, آنالیز امتیاز GO, اجراهای مشابهی در Carcinoma ، لیمفوئید و گلیوما, استفاده از MOG2SLIM.PL و وب سایت مربوط به آنتولوژی, استفاده از فیلترها برای پیشرفت عملکرد, اطلاعات مربوط به رمز گذاری توالی, اطلاعاتی برای دسته بندی اثر SAP ها اطلاعات تکاملی, امتیاز فرد و زوج وجود ژن (LGO), برای تست kolmogorov – smirnov طرح ریزی, بستۀ LIBSRM برای اجرای SVM, بیماری نئوپلاسم هستند که در database swissvar, پرتال اطلاع رسانی کمیسیون نشریات معاونت تحقیقات و فناوری, پلی مورفیسم های تک نوکلئوتید (SNPS), پلی مورفیسم های تک نوکلئوتیدی, پیش بینی تغییرات بد منجر به سرطان با یادگیری ماشین, پیش بینی روش های seqprof و F تصدیق داده شده, پیش بینی کنندگان SRM محورِ به کار گرفته شده, پیش بینی نتیجۀ SAP ها از قوانین تجربی, تحقیق کامل ترمینولوژی, تحقیق کامل روش یادگیری ماشینی را برای پیش بینی, ترجمه بسیار عالی مقالات, ترجمه شبکه عصبی با Svm, ترجمه مقالات برق, ترجمه مقالات کامپیوتر, ترجمه مقاله انگلیسی به فارسی, ترجمه مقاله در مورد سرطان ها, ترجمه مقاله مربوط به ماشین بردار پشتیبان, ترمینولوژی, تغییر ژنوم انسان, تغییرات توالی ژنوم انسان و بیماری, تغییرات عملکردی پروتئین, تکثیر سلولی, تکنیک های ژنوتیپی و توالی های موثر, توالی آمینواسید, توانایی پیش بینی به همراه حاصل SIFT، یک PFAM, جایگاه خاص مستقل (PSIC) ماتریکس, جهش آمینواسیدها از SNPهای غیرمترادف, حالت های رندوم و ماشین های بردار پشتیبان, خروجی الگوریتم DANTHER و لگاریتم عملکردی خاص سرطان, دتیابیس COSMIC پیشرفته, در بیماری در Swissvar, دیتاست CNO، SEQPROF، و روش سرطان F, راهکارهای مرتب کردن و قرار دادن ژنوتیپ, رمز گذاری اطلاعات پروفایل, روش خاصّ جایگاه جهش (seqprof), روش های پیشرفته شامل SIFT و PLAYPHEN, روش هایی بر پایۀ یادگیری ماشینی مانند phD-SNP و SNAP ن, روش یادگیری ماشینی را برای پیش بینی, روش یادگیری ماشینی را برای پیش بینی تغییرات بدی که منجر به سرطان می شوند, سرطان از 74 پروتئین در dataset CNO, شمارش نمونه های کروموزومی بالاتر از 49 از dbSNpdatabase, ضریب هماهنگی در تشخیص متغیرهای مربوط به موارد ایجاد سرطان, عملکردی خاص سرطان مربوط هستند (LGO). سومین پیشگو (SPF-ALL), فعالیت GrowTA و Kinase مشارکت قوی تری, کارسینوما، نئوپلاسم هماتوپوئتیک، نئوپلاسم سیمفوئید، گلیوما و ملانومای مالیگنی, کلاس بندی بردار پشتیبان, کلاس بندی بردار پشتیبان svm, کنسرسیونم Hap Map یک تغییر معمول, که اسید آمینه های مهم در خانوادۀ پروتئینی, ماشین بردار پشتیبان (svm) ، sap ها, متغیرهای خنثی از روی دیتابیس dbnsp متمایز می سازند CHASM ، SAP های راننده, متغیرهای محرک سرطان به دستۀ بیماری ها (D) تعلق, مثل SIFT و CHASM, محاسبۀ امتیاز LGO, محاسبۀ امتیاز عجیب آنتولوژی GO, مدل های مربوط به خانوادۀ پروتئینی HMM, منطقۀ زیر منحنی ROC, نتایج به دست آمده با روش های svm, نرم افزار بردار پشتیبان, نسخۀ عمومی دیتابیسِ HGMD, نسل دوم الگوریتم هایی که شامل اطلاعات براساس دانش, واژه ی MeSH «نئوپلاسم», ویژگی های PANTHER, یک ماشین بردار پشتیبان و طبقه بندی کننده