|
Das Dokument ist frei verfügbar. |
|
| Nachweis | Kein Nachweis verfügbar |
|
statistische Sequenzanalyse; maschinelles Lernen; Klassifikation; diskriminativ; Maximum Supervised Posterior; Transkriptionsfaktor; Spleißen; Nukleosom; de-novo Motivsuche; cis-regulatorisches Modul | |
statistical sequence analysis; machine learning; classification; discriminative; maximum supervised posterior; transcription factor; splicing; nucleosome; de-novo motif discovery; cis-regulatory module | |
Diese Arbeit untersucht den Nutzen des diskriminativen Bayes’schen Maximum-Supervised-Posterior- (MSP-) Prinzips für Anwendungen der statistischen Sequenzanalyse. Das MSP-Prinzip verlangt eine numerische Optimierung der Modellparameter. Deshalb wurden Parametertransformationen entwickelt die die beschränkten Standardparameter bekannter Modelle auf unbeschränkte Parameter für die numerische Optimierung abbilden. Entsprechend wurden auch die konjugierten Priordichten transformiert. Es konnte gezeigt werden dass das Lernen der Parameter geeigneter Modelle mittels MSP-Prinzip zur Verbesserung der Vorhersage von Transkriptionsfaktorbindestellen Donor-Spleißstellen und Nukleosomen-Positionen und der de-novo Suche cis-regulatorischer Module führt. Aussichtsreiche Ergebnisse konnten zudem für die Vorhersage von miRNA-Zielen erreicht werden. Das diskriminative MSP-Prinzip dürfte deshalb von grundsätzlichem Nutzen für die statistische Analyse und Klassifikation biologischer Sequenzen sein. |
|
|