Utilização de rede neural para predição de proteínas de bactérias secretadas por vias não clássicas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFU |
Texto Completo: | https://repositorio.ufu.br/handle/123456789/31262 http://doi.org/10.14393/ufu.di.2021.34 |
Resumo: | We present a methodology of predicting proteins from the non-classic bacterial secretion from artificial neural networks to contribute to vaccines’ elaboration and diseases’ diagnosis. We compiled a list of bacterial proteins from prokaryotic organisms secreted by the currently known non-classic pathways for training. These proteins were cataloged, allowing the creation of a set of training and validation for neural network training. We carried out bibliographic research to identify probable descriptors and signaling characteristics of this type of secretion by non-classic pathway. We developed a supervised neural network using the WEKA software, training it to determine the best group of features for prediction. We evaluated our proposed method submitting proteins not used in the training group and comparing the developed predictor against two other predictors studied in related literature, PeNGaRoo (ZHANG et al., 2020) and SecretomeP 2.0 (BENDTSEN et al., 2005). We considered our results satisfactory, as they presented a balanced neural network accuracy of 93% in the classification performance. We outperformed SecretomeP 2.0 for all validation scenarios. In the majority, our results were similar to PeNGaRoo, but for some case studies, we outperformed it. Therefore, we demonstrated the possibility of obtaining a compelling classifier by using our selected set of descriptors. |
id |
UFU_45e7a3f3e2b52d23a325837cd88ad3be |
---|---|
oai_identifier_str |
oai:repositorio.ufu.br:123456789/31262 |
network_acronym_str |
UFU |
network_name_str |
Repositório Institucional da UFU |
repository_id_str |
|
spelling |
Utilização de rede neural para predição de proteínas de bactérias secretadas por vias não clássicasUse of neural network for prediction of bacteria proteins secreted by non-classic pathwaysRedes neuraisProteínas bacterianasSecreção por via não clássicaNeural NetworksNon-classical Secretory PathwayBacterial ProteinsCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOComputaçãoWe present a methodology of predicting proteins from the non-classic bacterial secretion from artificial neural networks to contribute to vaccines’ elaboration and diseases’ diagnosis. We compiled a list of bacterial proteins from prokaryotic organisms secreted by the currently known non-classic pathways for training. These proteins were cataloged, allowing the creation of a set of training and validation for neural network training. We carried out bibliographic research to identify probable descriptors and signaling characteristics of this type of secretion by non-classic pathway. We developed a supervised neural network using the WEKA software, training it to determine the best group of features for prediction. We evaluated our proposed method submitting proteins not used in the training group and comparing the developed predictor against two other predictors studied in related literature, PeNGaRoo (ZHANG et al., 2020) and SecretomeP 2.0 (BENDTSEN et al., 2005). We considered our results satisfactory, as they presented a balanced neural network accuracy of 93% in the classification performance. We outperformed SecretomeP 2.0 for all validation scenarios. In the majority, our results were similar to PeNGaRoo, but for some case studies, we outperformed it. Therefore, we demonstrated the possibility of obtaining a compelling classifier by using our selected set of descriptors.Pesquisa sem auxílio de agências de fomentoDissertação (Mestrado)Apresentamos uma metodologia de predição de proteínas advindas de secreção bacteriana não clássica utilizando redes neurais artificiais. Nosso objetivo é contribuir para a elaboração de vacinas e diagnósticos de doenças a partir de proteínas bacterianas secretada por vias não clássicas. Para esse objetivo, compilamos uma lista de proteínas bacterianas conhecidas advindas de organismos procariotos secretadas pelas vias não clássicas. Essas proteínas foram catalogadas permitindo a criação de um conjunto de treinamento e validação da rede neural artificial. Realizamos uma pesquisa bibliográfica para identificar prováveis descritores e características sinalizadoras deste tipo de secreção bacteriana. Elaboramos uma rede neural supervisionada pelo software WEKA. Diversos modelos foram treinados a fim de determinar o melhor grupo de características para a predição de proteínas. Avaliamos o método proposto com a predição de proteínas que não foram utilizadas no grupo de treinamento e comparando com outros dois preditores estudados em literatura correlata, PeNGaRoo (ZHANG et al., 2020) e SecretomeP 2.0 (BENDTSEN et al., 2005). Consideramos nossos resultados satisfatórios, pois apresentaram uma rede neural com acurácia média de 93%. Nosso modelo preditor de proteínas secretadas por vias não clássicas foi superior ao SecretomeP em todos os cenários de validação. Com relação ao PeNGaRoo, o estado da arte para este propósito, nosso preditor igualou o seu desempenho na maior parte dos cenários de validação e conseguiu acurácia melhor em alguns cenários. Dessa forma, nosso trabalho demonstrou a possibilidade da obtenção de um classificador eficaz e mais eficiente que o estado da arte, através da utilização de redes neurais artificiais e um conjunto adequado de descritores para proteínas de bactérias secretadas por vias não clássicas.Universidade Federal de UberlândiaBrasilPrograma de Pós-graduação em Ciência da ComputaçãoSantos, Anderson Rodrigues doshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4211637U0Gabriel, Paulo Henrique RibeiroSiqueira Neto, José Lopes deOliveira, Luiz Gustavo de Sousa2021-02-12T21:36:34Z2021-02-12T21:36:34Z2020-12-21info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfOLIVEIRA, Luiz Gustavo de Sousa. Utilização de rede neural para predição de proteínas de bactérias secretadas por vias não clássicas. 2020. 87 f. Dissertação (Mestrado em Ciência da computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. DOI http://doi.org/10.14393/ufu.di.2021.34https://repositorio.ufu.br/handle/123456789/31262http://doi.org/10.14393/ufu.di.2021.34porhttp://creativecommons.org/licenses/by-nc-nd/3.0/us/info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFUinstname:Universidade Federal de Uberlândia (UFU)instacron:UFU2021-02-13T06:21:58Zoai:repositorio.ufu.br:123456789/31262Repositório InstitucionalONGhttp://repositorio.ufu.br/oai/requestdiinf@dirbi.ufu.bropendoar:2021-02-13T06:21:58Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU)false |
dc.title.none.fl_str_mv |
Utilização de rede neural para predição de proteínas de bactérias secretadas por vias não clássicas Use of neural network for prediction of bacteria proteins secreted by non-classic pathways |
title |
Utilização de rede neural para predição de proteínas de bactérias secretadas por vias não clássicas |
spellingShingle |
Utilização de rede neural para predição de proteínas de bactérias secretadas por vias não clássicas Oliveira, Luiz Gustavo de Sousa Redes neurais Proteínas bacterianas Secreção por via não clássica Neural Networks Non-classical Secretory Pathway Bacterial Proteins CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Computação |
title_short |
Utilização de rede neural para predição de proteínas de bactérias secretadas por vias não clássicas |
title_full |
Utilização de rede neural para predição de proteínas de bactérias secretadas por vias não clássicas |
title_fullStr |
Utilização de rede neural para predição de proteínas de bactérias secretadas por vias não clássicas |
title_full_unstemmed |
Utilização de rede neural para predição de proteínas de bactérias secretadas por vias não clássicas |
title_sort |
Utilização de rede neural para predição de proteínas de bactérias secretadas por vias não clássicas |
author |
Oliveira, Luiz Gustavo de Sousa |
author_facet |
Oliveira, Luiz Gustavo de Sousa |
author_role |
author |
dc.contributor.none.fl_str_mv |
Santos, Anderson Rodrigues dos http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4211637U0 Gabriel, Paulo Henrique Ribeiro Siqueira Neto, José Lopes de |
dc.contributor.author.fl_str_mv |
Oliveira, Luiz Gustavo de Sousa |
dc.subject.por.fl_str_mv |
Redes neurais Proteínas bacterianas Secreção por via não clássica Neural Networks Non-classical Secretory Pathway Bacterial Proteins CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Computação |
topic |
Redes neurais Proteínas bacterianas Secreção por via não clássica Neural Networks Non-classical Secretory Pathway Bacterial Proteins CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Computação |
description |
We present a methodology of predicting proteins from the non-classic bacterial secretion from artificial neural networks to contribute to vaccines’ elaboration and diseases’ diagnosis. We compiled a list of bacterial proteins from prokaryotic organisms secreted by the currently known non-classic pathways for training. These proteins were cataloged, allowing the creation of a set of training and validation for neural network training. We carried out bibliographic research to identify probable descriptors and signaling characteristics of this type of secretion by non-classic pathway. We developed a supervised neural network using the WEKA software, training it to determine the best group of features for prediction. We evaluated our proposed method submitting proteins not used in the training group and comparing the developed predictor against two other predictors studied in related literature, PeNGaRoo (ZHANG et al., 2020) and SecretomeP 2.0 (BENDTSEN et al., 2005). We considered our results satisfactory, as they presented a balanced neural network accuracy of 93% in the classification performance. We outperformed SecretomeP 2.0 for all validation scenarios. In the majority, our results were similar to PeNGaRoo, but for some case studies, we outperformed it. Therefore, we demonstrated the possibility of obtaining a compelling classifier by using our selected set of descriptors. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-12-21 2021-02-12T21:36:34Z 2021-02-12T21:36:34Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
OLIVEIRA, Luiz Gustavo de Sousa. Utilização de rede neural para predição de proteínas de bactérias secretadas por vias não clássicas. 2020. 87 f. Dissertação (Mestrado em Ciência da computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. DOI http://doi.org/10.14393/ufu.di.2021.34 https://repositorio.ufu.br/handle/123456789/31262 http://doi.org/10.14393/ufu.di.2021.34 |
identifier_str_mv |
OLIVEIRA, Luiz Gustavo de Sousa. Utilização de rede neural para predição de proteínas de bactérias secretadas por vias não clássicas. 2020. 87 f. Dissertação (Mestrado em Ciência da computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. DOI http://doi.org/10.14393/ufu.di.2021.34 |
url |
https://repositorio.ufu.br/handle/123456789/31262 http://doi.org/10.14393/ufu.di.2021.34 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/us/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/us/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal de Uberlândia Brasil Programa de Pós-graduação em Ciência da Computação |
publisher.none.fl_str_mv |
Universidade Federal de Uberlândia Brasil Programa de Pós-graduação em Ciência da Computação |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFU instname:Universidade Federal de Uberlândia (UFU) instacron:UFU |
instname_str |
Universidade Federal de Uberlândia (UFU) |
instacron_str |
UFU |
institution |
UFU |
reponame_str |
Repositório Institucional da UFU |
collection |
Repositório Institucional da UFU |
repository.name.fl_str_mv |
Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU) |
repository.mail.fl_str_mv |
diinf@dirbi.ufu.br |
_version_ |
1805569693769007104 |