![]() |
| Das Dokument ist frei verfügbar. |
|
| | Nachweis | Kein Nachweis verfügbar |
|
| Bioinformatik; maschinelles Lernen; probabilistische Modelle; Parameterschätzung; Lernprinzip; Bindungsstelle; Spleißstelle;Transkriptionstartstelle; Datenbankkuration; de-novo Motiverkennung | |
| computational biology; machine learning; probabilistic models; parameter estimation; learning principle; binding site; splice site; transcription start site; database curation; de-novo motif discovery | |
| In den vergangenen Jahren haben neue Hochdurchsatz-Technologien und die Entwicklung neuer bioinformatischer Methoden für die Vorhersage von kurzen Signalsequenzen viele neue Erkenntnisse und Hypothesen für die Genregulation vorgelegt. Trotz des überwältigenden wissenschaftlichen Fortschritts der letzten Jahre sind viele Aspekte wie die zelluläre Maschinerie diese kurzen Sequenzen mit hoher Genauigkeit erkennt und bindet immer noch nicht vollständig verstanden. In dieser Arbeit wurde ein formaler Ansatz für das Lernen probabilistischer Modelle aus der Familie der Markov Random Fields präsentieren der eine Interpolation zwischen mehreren etablierten Lernprinzipien einschließlich generativen diskriminativen hybriden Bayes'schen und nicht-Bayes'schen Lernprinzipien ermöglicht. Es konnte gezeigt werden dass diese Modelle und Lernprinzipien bei der Spleißstellen-Erkennung Transkriptionsstartstellen-Erkennung Datenbankkuration und de-novo Motiverkennung vergleichbare oder bessere Güten im Vergleich zu anderen aktuellen Ansätzen liefern. |
|
|