C onsenso r edes de neuronas a lg vecino ms cerc r

Info iconThis preview shows page 1. Sign up to view the full content.

View Full Document Right Arrow Icon
This is the end of the preview. Sign up to access the rest of the document.

Unformatted text preview: 2 6520 22398 H 7946 7 91 5 269 H 6 771 5078 1 030 E 5 445 22745 6377 L L 5 262 E 2 7991 0 .653927 E E 6703 L H H 631 t 2 5596 s 5966 6 905 6 43 E 20917 7 335 1 513 7 196 L 6 449 7480 1 561 0 ,674733 L 6 2 5464 7762 H 7093 E H 5 50 H 2 6237 0 .647745 5 039 E M 4 638 1 204 L L 6 57 6498 6479 H H 20391 7 655 2 6971 0 .675841 0 .674940 7 427 2 7147 0 .673836 7463 L E E E 2 S6S2 8 08 4 752 L 0 .673513 L 8 88 H 0 .669561 5 66 5991 E 5466 6 508 E 2 8511 L 21898 H L H 0 .642030 7 437 H H H 6 029 1 303 4982 6324 E 7045 22236 20088 7 491 L 2 7208 6 827 7 257 1 157 H 5 455 L E 6662 E H 5 42 4 468 2 7617 L 1 512 1 026 E 0 .669159 7350 6280 L H 2 8329 2 7506 0 .662697 E H H 6038 5 17 E E 21480 5 350 L L 7 704 H 0 .618433 H 6 4B6 1 104 0 .672653 16 6567 6503 H s 20532 2 7845 H L O 7 440 7 795 H H 0 .612025 L H 5187 3 940 E E 22003 7 97 6914 7 78 L 7 099 18586 7 933 5867 0 .561536 5 751 9 089 E 2 8800 H 1.364 L 4 071 L 6093 6975 9 98 6307 E 21450 7 826 2 5851 18330 7 683 5 07 6 668 E 8 819 4 940 L E L L E 9 12 5 04 0 .566530 6 89 3 752 6238 5 058 H 8 74 2 8301 8 70 5443 5923 H 5136 21711 H 2 8577 E 2 8542 6 091 9 95 L H 1 151 6316 E E 6577 E 2 7476 0 .649S45 L E L H H H L E L 0 .648661 L L H H P AM70 H 0 .618562 L 7 501 14 6929 E 6434 2 7459 D E 18520 8 147 5 12 20176 0 .560749 O 9 304 E 4 426 7 629 7 766 A L 7 15 2 8141 A M 6 12 3 594 5814 0 .647086 12 7 90 2 9015 7 57 7 934 10 5713 H 5776 H H 2 8927 E 2 8648 8 E L E PAM30 L H L H H 0 .617613 0 .617681 H 5 B LOSUMBO H L H L H 2 4336 8650 1 927 H E L E 1735 2 4873 8954 5 91 L 4 745 23143 6 51 L 4 919 22378 8 99 L 4 823 22940 7 32 7 058 E 6 221 5374 7 243 E 6 143 5228 7 227 E 6 174 5321 7 324 0 .667033 0 .560176 H 2 4885 8812 H 0 .666485 F igura 7.2: Resultados para la primera capa de predicción con na'íve-Bayes E n la figura 7.3 se muestran los resultados obtenidos considerando diversos tamaños d e ventana de predicción. 150 Clasificación Supervisada Basada en RRBB. Aplicación en Biología Computacional MATRIZ DE SUSTITUCIÓN 8LOSUM62 H H 2 7725 4 L p 52SS 1 839 L 5 858 21355 8 76 E 6 708 3318 8 422 3 872 • 6 1 ¡H 2 5653 5127 L 5 652 21307 1 170 E 8 5 049 2628 1 0771 0 .711430 H E 2 5525 5512 3 815 1 5 525 21423 1 161 E 10 L H 5 045 2645 1 0758 0 .708666 H L E H 2 4512 6462 3 878 L 5 024 21850 1 255 E 5 010 2655 1 0783 T A M 12 a o 0 .701777 H E 2 4207 6436 4 209 L 4 739 22044 1 346 E 14 O L H D E 4 969 2631 1 0828 s 0 .700966 c H L E H 2 4107 6469 4 276 L 4 779 • 21940 1 410 E A 4 957 2604 1 0887 S O 16 s 0 .699186 H E 2 3810 5477 4 555 L 474<1 21905 1 480 E 18 L H 4 831 2590 1 0977 0 .696214 H E 2 3417 5591 4 844 L 4 647 21907 1 575 E 20 L H 4 804 2587 1 1057 0 .692395 H E 2 2201 6587 6 084 L 4 441 21882 1 806 E 22 L H 4 595 2579 1 1274 0 .679819 H E 2 1999 6637 6 216 L 4 434 21850 1 845 E 24 L H 4 574 2578 1 1296 0 .677216 F i g u r a 7.3: P ruebas de la segunda capa de predicción empleando los resultados obtenidos por Interval Estimation nawe-Bayes Los mejores resultados se han obtenido con un tamaño de ventana de 5 residuos. La exactitud de las predicciones ha mejorado de un 70,33 % en la primera capa de predicción con Interval Estimation naive-Bayes, a un 71,21 %. Esto supone una mejora de 0,88%. 7 .6. Multiclasificador basado en redes Bayesianas para PSSP 7.5.7. 151 Conclusiones E l problema de la predicción de la estructura secundaria de las proteínas (PSSP) ya había sido abordado desde diversos enfoques metodológicos, muchos de ellos pertenecientes al mundo del aprendizaje automático. Sin embargo, nunca se había intentado solucionar e ste problema con el uso de redes Bayesianas. L a principal dificultad en este desarrollo ha sido la de conseguir introducir la información evolutiva de las proteínas en las redes Bayesianas. Esta información es de vital i mportancia en todos los métodos de predicción actuales. E n cuanto a los resultados obtenidos, los mejores métodos de predicción actuales llegan a u n 80 % de bien clasificados, mientras que con las redes Bayesianas se ha obtenido un 7 1,21%. S in embargo, todavía quedan por desarrollar varias extensiones que pueden mejorar e stos resultados, por lo que somos optimistas con estos resultados. 7.5.8. Líneas de trabajo futuro P rácticamente todos los predictores de estructura secundaria actuales realizan, en su p rimera capa de predicción, una multiclasificación. El clasificador básico es entrenado con d iferentes tamaños de ventana y diferentes conjuntos de datos, realizándose una multiclasificación de todos estos resultados. Esta multiclasificación supone, normalmente, un 4 % d e mejora aproximada. Es posible usar esta misma idea con el clasificador basado en redes B ayesianas. P or otra parte, la segunda capa de predicción que proponemos sólo mejora un 0,88%, m uy por debajo de las mejoras obtenidas por otros métodos. De esta forma, nos planteamos s ustituir la segunda capa de predicción por una basada en redes de neuronas. C reemos que con estos cambios la exactitud de este método puede llegar a ser similar a l a de los métodos actuales. 7 .6. 7.6.1. Multiclasificador basado e...
View Full Document

Ask a homework question - tutors are online