On DNA Numerical Representations for Period-3 Based Exon Prediction

Akhtar, Mahmood; Epps, Julien; Ambikairajah, Eliathamby

doi:10.1109/gensips.2007.4365821

Cited by 84 publications

(73 citation statements)

References 16 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Destek Vektör Makineleri, değişkenler arasındaki örüntülerin bilinmediği veri setlerindeki birçok sınıflandırma probleminin çözümünde başarıyla uygulanmış, performansı yüksek ve etkin makine öğrenimi algoritmalarından biri olarak veri madenciliği uygulamalarındaki yerini almıştır [51][52]. Bu yöntem, sınıflandırmayı bir doğrusal ya da doğrusal olmayan bir fonksiyon yardımıyla yerine getirir.…”

Section: Destek Vektör Makineleri (Support Vector Machines)unclassified

See 1 more Smart Citation

Sayisal Hari̇talama Tekni̇kleri̇ Ve Fourier Dönüşümü Kullanilarak Dna Di̇zi̇li̇mleri̇ni̇n Siniflandirilmasi

Daş¹,

Türkoğlu²

2016

Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi

View full text Add to dashboard Cite

Sayısal haritalama tekniklerinin performanslarının karşılaştırılması  DNA dizilimlerinin ekson ve intron olarak sınıflandırılması  Pencereleme fonksiyonlarının sınıflandırma performansına etkisi Makale Bilgileri ÖZET Geliş: 12.06.2015 Kabul: 04.08.2016 DOI: Bir DNA dizilimindeki bazların oluşturdukları kombinasyonlar, o DNA dizilimindeki bir gene karşılık gelir, bu genlerden de RNA kopya dizilimleri çıkarılır. Kopyalanan bu RNA'lar oluşurken genin baz dizilimi baştan sona tümüyle okunmaz. Genlerin okunmayan ve kodlanmayan bölümüne intron, kodlanan kısımlarına ise ekson denir. Bir DNA dizilimindeki protein nerede, ne kadar kodlanır? Büyüme ve gelişme nerede düzenlenir? Kök hücreler nerede başka hücreye dönüştürülür? Tüm bu soruların cevabı ve kanser gibi genetik hastalıkların araştırılması DNA dizilimlerinin ekson ve intron olarak sınıflandırmasıyla mümkündür. Çalışmanın amacı, DNA diziliminin ekson ve intron olarak sınıflandırılmasında farklı sayısal haritalama tekniklerinin performanslarını karşılaştırmaktır. Bu amaç doğrultusunda insan türünün MEFV genine ait DNA dizilimleri, 9 farklı haritalama tekniği ile sayısal dizilere dönüştürülmüştür. Dönüştürülen sayısal dizilerin sınıflandırılmasında Ayrık Fourier Dönüşümü yöntemi kullanılmıştır. Bu yöntemde 4 farklı pencereleme fonksiyonu kullanılmış, sınıflandırma başarımları karşılaştırılmıştır. Ayrıca Fourier tabanlı yöntemle elde edilen sonuçlar, Destek Vektör Makineleri ve K-en yakın komşu algoritması gibi makine öğrenme tabanlı yöntemlerle karşılaştırılmıştır. İnteger haritalama tekniği Ayrık Fourier Dönüşümü yönteminde %96,2 ile diğer makine öğrenme yöntemlerine göre en yüksek sınıflandırma başarımı sağlamıştır. Hamming pencereleme fonksiyonunda sınıflandırma başarısı diğer pencereleme fonksiyonlarından daha yüksek çıkmıştır.

show abstract

Section: Destek Vektör Makineleri (Support Vector Machines)unclassified

“…Uygulamada kernel parametresi (RBF kerneli için band genişliği değeri) 2, düzenleme parametresi (C) ise 100000 olarak belirlenmiştir. [52] eksonlardan bir kesit gösterim biçimi verilmiştir. Eksonlar koyu ve kırmızı renkli olarak gösterilmektedirler.…”

Section: Destek Vektör Makineleri (Support Vector Machines)unclassified

Sayisal Hari̇talama Tekni̇kleri̇ Ve Fourier Dönüşümü Kullanilarak Dna Di̇zi̇li̇mleri̇ni̇n Siniflandirilmasi

Daş¹,

Türkoğlu²

2016

Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi

View full text Add to dashboard Cite

show abstract

“…Whereas T P =true positive, F P =false positive and F N =false negative [26]. T P corresponds to those genes that are correctly predicted by the algorithm.…”

Section: Detection Of Mutation-hotspots and Exon-deletions Using Digimentioning

confidence: 99%

“…Another four-indicator sequence called relative frequency indicator sequence, based on various coding statistics like single-nucleotide, dinucleotide and trinucleotide biases was incorporated into the algorithm to improve the selectivity and sensitivity of filter methods [24,25]. The paired numeric [26] method deals with complementary property of nucleotides and assign +1 and -1 to show the presence of A-T and C-G nucleotide pairs respectively.…”

Section: Proposed Numerical Representationmentioning

confidence: 99%

Detection of Mutation-Hotspots and Exon-Deletions using Digital Signal Processing in Duchenne Muscular Dystrophy (DMD) Gene

Meher¹,

Rath²

2014

IOSRJDMS

View full text Add to dashboard Cite

show abstract

“…Tuqan and Rushdi [13] had explained 3-periodicity related to the codon bias using two stage digital filter and multirate DSP model. Criteria to select the numerical values to represent genomic sequences are discussed by Akhtar et al [14,15].…”

Section: Introductionmentioning

confidence: 99%

A reduced computational load protein coding predictor using equivalent amino acid sequence of DNA string with period-3 based time and frequency domain analysis

Meher¹,

Dash²,

Meher³

et al. 2011

AJMB

View full text Add to dashboard Cite

Development of efficient gene prediction algorithms is one of the fundamental efforts in gene prediction study in the area of genomics. In genomic signal processing the basic step of the identification of protein coding regions in DNA sequences is based on the period-3 property exhibited by nucleotides in exons. Several approaches based on signal processing tools and numerical representations have been applied to solve this problem, trying to achieve more accurate predictions. This paper presents a new indicator sequence based on amino acid sequence, called as aminoacid indicator sequence, derived from DNA string that uses the existing signal processing based timedomain and frequency domain methods to predict these regions within the billions long DNA sequence of eukaryotic cells which reduces the computational load by one-third. It is known that each triplet of bases, called as codon, instructs the cell machinery to synthesize an amino acid. The codon sequence therefore uniquely identifies an amino acid sequence which defines a protein. Thus the protein coding region is attributed by the codons in amino acid sequence. This property is used for detection of period-3 regions using amino acid sequence. Physico-chemical properties of amino acids are used for numerical representation. Various accuracy measures such as exonic peaks, discriminating factor, sensitivity, specificity, miss rate, wrong rate and approximate correlation are used to demonstrate the efficacy of the proposed predictor. The proposed method is validated on various organisms using the standard dataset HMR195, Burset and Guigo and KEGG. The simulation result shows that the proposed method is an effective approach for protein coding prediction.

show abstract

On DNA Numerical Representations for Period-3 Based Exon Prediction

Cited by 84 publications

References 16 publications

Sayisal Hari̇talama Tekni̇kleri̇ Ve Fourier Dönüşümü Kullanilarak Dna Di̇zi̇li̇mleri̇ni̇n Siniflandirilmasi

Sayisal Hari̇talama Tekni̇kleri̇ Ve Fourier Dönüşümü Kullanilarak Dna Di̇zi̇li̇mleri̇ni̇n Siniflandirilmasi

Detection of Mutation-Hotspots and Exon-Deletions using Digital Signal Processing in Duchenne Muscular Dystrophy (DMD) Gene

A reduced computational load protein coding predictor using equivalent amino acid sequence of DNA string with period-3 based time and frequency domain analysis

Contact Info

Product

Resources

About