您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 201807-1
论文题目 基于机器学习的RNA杂交分析
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

基于机器学习的RNA杂交分析

首发时间:2018-07-02

朱维军 1   

朱维军(1976-),男,副教授、硕导,主要研究方向:人工智能、生物信息

班绍桓 1   

班绍桓(1996-),男,硕士生,研究方向:人工智能

樊永文 1   

樊永文(1993-),男,硕士生,研究方向:生物信息

  • 1、郑州大学信息工程学院,郑州,450001

摘要:当前主流RNA仿真软件所采用的核心方法受限于组合问题的指数级计算复杂度,因而在可接受的时间内无法确定复杂RNA分子之间的特异性杂交是否有效。为此,引入了两种基于机器学习的新方法。首先,采用样本集来训练提升树(Boosted Tree,BT)算法和随机森林(Random Forest,RF)算法,并获得相应的模型。其次,这些模型可用于预测给定的RNA分子之间的杂交结果。实验结果表明:RF的平均准确率为93.2%,BT的平均准确率为92.3%;基于RF的新方法平均效率为现有方法的73733倍,基于BT的新方法平均效率为现有方法的29105倍。这表明了新方法可以快速准确地判定给定RNA分子杂交的生物有效性。

关键词: 提升树算法 随机森林算法 RNA设计 特异性杂交 生物有效性

For information in English, please click here

Analyzing RNA Hybridization via machine learning

ZHU Weijun 1   

朱维军(1976-),男,副教授、硕导,主要研究方向:人工智能、生物信息

BAN Shaohuan 1   

班绍桓(1996-),男,硕士生,研究方向:人工智能

FAN Yongwen 1   

樊永文(1993-),男,硕士生,研究方向:生物信息

  • 1、School of Information Engineering,Zhengzhou University,Zhengzhou 450001,China

Abstract:The core methods, which are employed by the popular RNA simulation software, are limited to the exponentially computational complexity of the combinatorial problems. As a result, it is impossible to decide whether a specific hybridization among complex RNA molecules is effective or not within acceptable time. In order to address this problem, we introduce a new method based on the two machine learning algorithms. First, a sample set is employed to train the Boosted Tree (BT) and Random Forest (RF) algorithm, and the corresponding model is obtained. Second, these models can be used to predict results of molecular hybridization for a given RNA molecular. The results of experiments show that the average accuracy of RF algorithm is 93.2%, and the average accuracy of BT algorithm is 92.3%. The average efficiency of the new method based on RF algorithm is 73733 times higher than that of the existing method. The average efficiency of the new method based on RF algorithm is 29105 times higher than that of the existing method. These results indicate that the new method can quickly and accurately determine the biological effectiveness of molecular hybridization for a given RNA molecule.

Keywords: Boosted Tree Algorithm Random Forest Algorithm RNA Design Specific Hybridization Biological Effectiveness

Click to fold

点击收起

论文图表:

引用

导出参考文献

.txt .ris .doc
朱维军,班绍桓,樊永文. 基于机器学习的RNA杂交分析[EB/OL]. 北京:中国科技论文在线 [2018-07-02]. http://www.paper.edu.cn/releasepaper/content/201807-1.

No.****

同行评议

未申请同行评议

评论

全部评论

0/1000

勘误表

基于机器学习的RNA杂交分析