G 蛋白偶联受体分类的自适应策略
人工智能
2007-06-25 v1 定量方法
摘要
计算生物学中的主要问题之一是现有分类模型无法整合不断扩展的新领域知识。本文通过引入用于生物信息学问题的增量学习来解决静态分类模型的这一问题。许多机器学习工具已应用于此问题，但它们使用神经网络或支持向量机等静态机器学习结构，无法将新信息纳入现有模型中。我们利用 fuzzy ARTMAP 作为一种替代机器学习系统，它能够随着新数据的出现进行增量学习。研究发现 fuzzy ARTMAP 与许多广泛使用的机器学习系统相当。采用进化策略选择和组合单个分类器形成集成系统，并结合 fuzzy ARTMAP 的增量学习能力，被证明适合作为模式分类器。所提出的算法使用 G-Coupled Protein Receptors Database 中的数据进行了测试，显示出 83% 的良好准确率。所提出的系统也具有通用性，可用于基因组学和蛋白质组学问题。
引用
@article{arxiv.0704.3453,
title = {An Adaptive Strategy for the Classification of G-Protein Coupled Receptors},
author = {S. Mohamed and D. Rubin and T. Marwala},
journal= {arXiv preprint arXiv:0704.3453},
year = {2007}
}
备注
9 pages, 5 tables, 3 figures