文献

J-GLOBAL ID：201902214710356610   整理番号：19A0444659

熱力学モデルと統合したRNA二次構造予測の最大マージン訓練【JST・京大機械翻訳】

A max-margin training of RNA secondary structure prediction integrated with the thermodynamic model

著者 (3件)： Akiyama Manato (Department of Biosciences and Informatics, Keio University, 3-14-1 Hiyoshi, Kohoku-ku, Yokohama 223-8522, Japan) ,  Sato Kengo (Department of Biosciences and Informatics, Keio University, 3-14-1 Hiyoshi, Kohoku-ku, Yokohama 223-8522, Japan) ,  Sakakibara Yasubumi (Department of Biosciences and Informatics, Keio University, 3-14-1 Hiyoshi, Kohoku-ku, Yokohama 223-8522, Japan)
資料名： Journal of Bioinformatics and Computational Biology  (Journal of Bioinformatics and Computational Biology)
巻： 16  号： 6  ページ： 1840025  発行年： 2018年 
JST資料番号： A1491A  ISSN： 0219-7200  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： シンガポール (SGP)  言語： 英語 (EN)

抄録/ポイント： RNA二次構造を予測するための一般的アプローチは,最小自由エネルギー(MFE)を有する熱力学的に最も安定な二次構造を見出す熱力学的最近接モデルである。更なる改良のために,機械学習技術に基づく代替アプローチを開発した。機械学習に基づくアプローチは,訓練データに適合する能力を有するより豊富な特徴表現を含む細粒モデルを採用することができる。機械学習に基づく細粒モデルは予測精度において非常に高い性能を達成したが,そのようなモデルに対する過剰適合のリスクの可能性が報告されている。本論文では,熱力学的アプローチと機械学習に基づく重み付けアプローチを統合したRNA二次構造予測のための新しいアルゴリズムを提案した。著者らの細粒モデルは,過剰適合を避けるために[数式:原文を参照]正則化を伴う構造化サポートベクトルマシン(SSVM)によって訓練される特徴の詳細なコンテキストに対する多数のスコアリングパラメータと実験的に決定された熱力学的パラメータを結合する。著者らのベンチマークは,著者らのアルゴリズムが既存の方法と比較して最も良い予測精度を達成して,重い過剰適合を観察することができないことを示した。このアルゴリズムの実装はhttps://github.com/keio-bioinformatics/mxfoldで利用可能である。Copyright 2019 World Scientific Publishing Company All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 重みづけ ,  *熱力学模型 ,  機械学習 ,  *二次構造 ,  正則化 ,  ベンチマーク ,  *熱力学 ,  サポートベクトルマシン ,  *モデル ,  自由エネルギー ,  アルゴリズム ,  *予測
準シソーラス用語： 予測精度 ,  訓練データ ,  *RNA二次構造 , 【Automatic Indexing@JST】

著者キーワード (3件)： RNA二次構造予測 ,  熱力学モデル ,  構造化サポートベクトルマシン

分類 (2件)： 核酸一般  (EB04010U) ,  分子・遺伝情報処理  (JE15040B)

タイトルに関連する用語 (5件)： 熱力学モデル ,  統合 ,  RNA二次構造 ,  予測 ,  訓練