Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Read Full Version
Standard view
Full view
of .
Save to My Library
Look up keyword or section
Like this
22Activity

Table Of Contents

Capítulo I – Introdução
1.1 Considerações Iniciais
1.2 Motivação
1.3 Objetivos
1.4 Organização do Trabalho
2.1 Introdução
2.2 Abordagem Estatística de Reconhecimento de Padrões
Figura 2.1: Sistema Genérico de Reconhecimento de Padrões
2.3.1 Classificador Bayesiano
2.3.2 Regra dos K-vizinhos mais Próximos
2.4 Problemas de Generalização
2.5 Redução de Dimensionalidade e Extração de Características
2.6 Funções Discriminantes
2.6.1 Função Discriminante para Duas Classes
Figura 2.2: Geometria da função linear discriminante em duas dimensões
2.6.2 Função Discriminante para Múltiplas Classes
2.6.3 Método dos Mínimos Quadrados para Classificação
2.6.4 Análise Discriminante Linear de Fisher (LDA)
Figura 2.6: Projeção de duas amostras sobre os eixos x1 e x2
2.6.5 Análise Multiclasse Discriminante Linear de Fisher
Capítulo III – Redes Neurais Artificiais
3.1 Introdução às Redes Neurais
3.2 Neurônios Artificiais – Modelo MCP
Figura 3.1: Neurônio de McCulloch e Pitts
3.3 Algoritmos de Aprendizado
3.3.1 Aprendizado Supervisionado
Figura 3.2: Aprendizado Supervisionado
3.3.2 Aprendizado Não-Supervisionado
Figura 3.3: Aprendizado Não-supervisionado
3.4 Redes Perceptron Multicamadas com Algoritmo Backpropagation
3.4.1 Portas Threshold e Redes Perceptron
Figura 3.4: Porta Threshold Linear
Figura 3.5: Porta Threshold Quadrática
Figura 3.6: Topologia de um perceptron simples com uma única saída
3.4.2 Arquitetura de uma Rede MLP
Figura 3.7: Rede MLP típica com duas camadas intermediárias
3.4.3 Treinamento de uma Rede MLP com o Algoritmo Backpropagation
Figura 3.8: Fluxo do processamento do algoritmo backpropagation
Figura 3.9: Sentido forward do algoritmo backpropagation
Figura 3.10: Sentido backward do algoritmo backpropagation
Figura 3.11: Descrição do algoritmo backpropagation
Figura 3.12: Arquitetura da Rede MLP com algoritmo backpropagation
Capítulo IV – Predição de Estruturas Secundárias de
4.1 Introdução
Figura 4.1: Linearidade da Informação Genética
Tabela 4.1: Tipos de aminoácidos e suas características
4.2 Química das Proteínas
Figura 4.2: Estrutura química geral dos aminoácidos
Figura 4.3: Os quatro níveis de representação de uma proteína
4.2.1 Estrutura Primária
Figura 4.4: Estrutura primária de uma proteína
Figura 4.5: Estrutura secundária de uma proteína
4.2.2 Estrutura Secundária
Figura 4.6: Representações esquemáticas de uma Alpha-Hélice
Figura 4.7: Beta-Folhas e as ligações entre os Beta-strands
4.2.3 Outras Estruturas
4.2.4 Ângulos e a Conformação das Proteínas
Figura 4.8: Estrutura de dois aminoácidos em uma cadeia de polipeptídeos
Figura 4.9: Exemplo de Mapa de Ramachandran
4.3 Predição de Estruturas com Base na Sequência
4.4 Predição de Estruturas Secundárias utilizando Redes Neurais
4.4.1 Trabalho de Qian & Sejnowski (1988)
4.4.2 Trabalho de Holley & Karplus (1991)
4.4.3 Trabalho de Rost & Sander (1993 e 1994)
4.4.4 Trabalho de Chandonia & Karplus (1996)
4.4.5 Trabalho de Riis & Krogh (1996)
4.4.6 Contribuições mais recentes
Figura 4.11: Arquitetura do preditor GMC
Capítulo V – Materiais e Métodos
5.1 Etapas do Projeto de Redes Neurais
Tabela 5.1: Proteínas utilizadas no Treinamento das Redes Neurais
Figura 5.1: Interface Web do Banco de Dados SCOP
Figura 5.2: Interface Web do Banco de Dados CATH
Tabela 5.2: Proteínas utilizadas na Validação das Redes Neurais
5.2.2 Proteínas utilizadas para Teste
Figura 5.3: Interface Web do CASP
Tabela 5.3: Proteínas utilizadas no Teste das Redes Neurais
5.2.3 Interface de Pré-Processamento
5.3 Preditores utilizados para comparação
5.3.1 PredictProtein
Figura 5.4: Interface Web do Programa PredictProtein
5.3.2 PSIPRED
Figura 5.5: Interface Web do Programa PSIPRED
5.3.3 JPred
5.3.4 PREDATOR
Figura 5.6: Interface Web do Programa JPred
Figura 5.7: Interface Web do Programa Predator
5.3.5 PSA
Figura 5.8: Interface Web do Programa PSA
5.3.6 PREDCASA
5.4 Arquitetura da Rede Neural MLP Convencional (Rede Neural
5.4.1 Implementação da Arquitetura com uma RNA
Tabela 5.4: A representação da codificação dos aminoácidos
Tabela 5.5: Número de neurônios na camada de entrada das RNA’s
Tabela 5.6: Codificação binária das estruturas secundárias
Figura 5.9: Arquitetura da RNA utilizada neste trabalho
5.4.2 Implementação da Arquitetura com duas RNA’s
Figura 5.10: Arquitetura de duas RNAs utilizadas neste trabalho
Tabela 5.7: Arquiteturas de 18 RNAs
5.4.3 Implementação do Júri de Decisão
5.5 Arquitetura da Rede Neural MLP Otimizada (Rede Neural oMLP)
5.5.1 Considerações Iniciais
5.5.2 Inicialização da Camada Intermediária
5.5.3 Determinação do Tamanho da Camada Intermediária
5.5.4 Seleção dos Dados de Entrada
Capítulo VI – Resultados
6.1 Bases de Dados utilizadas
6.2 Coeficientes utilizados
6.3 Resultados Obtidos com a Rede cMLP
6.3.1 Treinamento da Arquitetura com uma RNA
6.3.2 Treinamento da Arquitetura com duas RNAs
6.3.4 Realização dos Testes com utilização do Júri de Decisão
6.3.5 Comparação dos Resultados com outros Preditores
6.4 Resultados Obtidos com a Rede oMLP
6.4.1 Configuração Inicial Não Aleatória da Rede Neural
Tabela 6.8: Proteínas utilizadas para treinamento para a Rede oMLP
6.4.2 Treinamento da Arquitetura Otimizada
6.4.3 Realização dos Testes da Arquitetura Otimizada
6.4.4 Comparação dos Resultados com outros Preditores
Capítulo VII – Conclusões
Referências Bibliográficas
0 of .
Results for:
No results containing your search query
P. 1
RECONHECIMENTO DE PADRÕES E REDES NEURAIS ARTIFICIAIS EM PREDIÇÃO DE ESTRUTURAS SECUNDÁRIAS DE PROTEÍNAS

RECONHECIMENTO DE PADRÕES E REDES NEURAIS ARTIFICIAIS EM PREDIÇÃO DE ESTRUTURAS SECUNDÁRIAS DE PROTEÍNAS

Ratings: (0)|Views: 1,725 |Likes:
Acesse: http://loopsemfim.blogspot.com.br/

Neste trabalho propõe-se a utilização de reconhecimento de padrões e redes neurais
artificiais Perceptron de Múltiplas Camadas (MLP) na predição de estruturas secundárias de
proteínas. Parte-se das últimas melhorias de trabalhos anteriores de forma estanque, a saber:
variação do tamanho de janelas; utilização de informações evolucionárias; utilização de júri de
decisão e criação de redes neurais em cadeia, e propõe-se: reunir todas estas últimas melhorias
em uma ferramenta única (cMLP); realizar testes com um conjunto de proteínas já testado por
trabalhos anteriores; e realizar a comparação da ferramenta construída com outros
classificadores já disponíveis na web, todos originados de trabalhos científicos, e assim, realizar
um processo de otimização dos parâmetros da rede neural.
Otimizou-se a rede neural convencional com inicializações aleatórias, para torná-la uma
rede neural MLP otimizada (oMLP). O processo de otimização ocorreu na utilização de
parâmetros de inicialização do projeto da rede neural baseada na análise multiclasse
discriminante linear e extração de subespaços com o Critério de Fisher de Pesos, inclusive na
seleção de dados de entrada. Esperava-se que a rede oMLP demonstrasse consistentemente sua
habilidade, controlando o aumento da dimensionalidade em conjuntos extensos de dados de
proteínas e obtivesse melhorias significativas na maioria das medidas de desempenho, incluindo
acurácia da predição da estrutura secundária e propriedades de convergência.
Acesse: http://loopsemfim.blogspot.com.br/

Neste trabalho propõe-se a utilização de reconhecimento de padrões e redes neurais
artificiais Perceptron de Múltiplas Camadas (MLP) na predição de estruturas secundárias de
proteínas. Parte-se das últimas melhorias de trabalhos anteriores de forma estanque, a saber:
variação do tamanho de janelas; utilização de informações evolucionárias; utilização de júri de
decisão e criação de redes neurais em cadeia, e propõe-se: reunir todas estas últimas melhorias
em uma ferramenta única (cMLP); realizar testes com um conjunto de proteínas já testado por
trabalhos anteriores; e realizar a comparação da ferramenta construída com outros
classificadores já disponíveis na web, todos originados de trabalhos científicos, e assim, realizar
um processo de otimização dos parâmetros da rede neural.
Otimizou-se a rede neural convencional com inicializações aleatórias, para torná-la uma
rede neural MLP otimizada (oMLP). O processo de otimização ocorreu na utilização de
parâmetros de inicialização do projeto da rede neural baseada na análise multiclasse
discriminante linear e extração de subespaços com o Critério de Fisher de Pesos, inclusive na
seleção de dados de entrada. Esperava-se que a rede oMLP demonstrasse consistentemente sua
habilidade, controlando o aumento da dimensionalidade em conjuntos extensos de dados de
proteínas e obtivesse melhorias significativas na maioria das medidas de desempenho, incluindo
acurácia da predição da estrutura secundária e propriedades de convergência.

More info:

Categories:Types, Research
Published by: Lins Duarte (Sgt Robson) on Sep 28, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
See more
See less

03/17/2013

You're Reading a Free Preview
Pages 4 to 22 are not shown in this preview.
You're Reading a Free Preview
Pages 26 to 86 are not shown in this preview.
You're Reading a Free Preview
Pages 90 to 118 are not shown in this preview.
You're Reading a Free Preview
Pages 122 to 148 are not shown in this preview.

Activity (22)

You've already reviewed this. Edit your review.
1 hundred reads
1 thousand reads
Rosemary Rocha liked this
David Melo liked this
diego018907 liked this
Elaine Moreira liked this

You're Reading a Free Preview

Download
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->