مروری بر کاربرد هوش مصنوعی در زیست محاسباتی

Publish Year: 1390
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 2,842

This Paper With 8 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

CSCCIT01_066

تاریخ نمایه سازی: 8 بهمن 1390

Abstract:

امروزه با توسعه تکنولوژی و ابزارهای پیشرفته زیست شناسی محققان با حجم انبوهی از داده های زیستی مواجه شده اند که تحلیل آنها توسط روشهای ازمایشگاهی با چالش هایی همراه است بنابراین نیاز است تا از روش های جدید با سرعت و دقت بالا برای این منظور استفاده شود . با توجه به سرعت و دقت بالای روشهای محاسباتی و هوشمند می توان گفت که آنها جایگزین مناسبی برای روش های آزمایشگاهی به شمار می رند. در این مقاله به بررسی کاربرد روش های موجود در هوش مصنوعی اعم از روش های هوشمند (نظیر ماشین بردار پشتیبان ) در مسائل زیستی می پردازیم و در این راستا مهم ترین چالشها و مسائل باز موجود در این زمینه را بررسی می کنیم.

Authors

نفیسه صداقت

دانشگاه علم و صنعت ایران - دانشکده مهندسی کامپیوتر

محمود فتحی

دانشگاه علم و صنعت ایران - دانشکده مهندسی کامپیوتر

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Improving the sensitivity of progressive multiple :lustalwه [12] J.D. Thompson, ...
  • the fisher kernel method to detect remote protein homologies, " ...
  • sequence comparison under a pattern transfer modeI, Journal of Theoretical ...
  • Algorithmica, vol. 16, no.3, 1996, pp. 320-315. ...
  • D. Sankoff, Minimal mutation trees of sequences, " SIAM Journl ...
  • sequence aligmment through sequence weighting, positions -specific gap penalties and ...
  • multiple sequence aligmment, Applied Soft Computing, vol. 2, no. 1, ...
  • multiple sequence aligmment, Applied Intellience, vol. 30, no. 0, 0212, ...
  • _ _ _ _ _ _ _ ه _ J ...
  • Proc. _ Intellient Systems for Molecular Biology, 1999, pp. 149-152. ...
  • International Journal of Engineering Science and Technology, vol. 0, no. ...
  • composition and fuzzy support vector machie network, " Protein _ ...
  • _ C. Chen, C. Lixuan, Z. Xiaoyong, C. Peixiang, Rrediction ...
  • prediction using low-resolution model, _ IEEE/ACM Transactions on Computational Biology ...
  • T. Wang and X. Zhang, -Acase study of 3D protein ...
  • similarity networks, " Protein Function Prediction for Omics Era, 0211, ...
  • X. Liua, L. Wan, J. Li, G. Reinert, M. S. ...
  • L. Wang, T. Jiang, E. _ Lawler, -Aproximati _ algorithms ...
  • S.F. Altschul and D.J. Lipman, Frees, stars and multiple sequence ...
  • D. Gusfield, Efficient methods for multiple sequence aligmment with guaranteed ...
  • D.F. Feng and R.F. Doolittle, Rrogressive sequence aligmment as a ...
  • J. Zhang and Z. Wang, -Anew genetic algorithm using gap ...
  • Z.-J. Lee, S.-F. Su, C.-C. Chuang, K.-H. Liu, -aetic algorithm ...
  • F. Silva, J. Perez, J. Pulido, M. Rodriguez, _ genetic ...
  • F. Naznin, R. Sarker, D. Essam, -ertical decomposition with genetic ...
  • J.-P. Vert, H. Saigo, T. Akutsu, -bcal alignment kernels for ...
  • P.V.N. Rao, et al., Rrotein secondary structure prediction using pattern ...
  • Y.-S. Ding, T.-L. Zhang, K.-C. Chou, Rrediction of protein structure ...
  • M.T. Hoque, M. Chetty, A. Lewis, A. Sattar, _ removal ...
  • M. Chitale and D Kihara, Enhanced sequence-based function prediction methods ...
  • M.I. Sadowski and D.T. Jones, Fhe S _ qu ence-structure ...
  • R.V. Spriggs, et al., Rrotein function annotation from sequence: prediction ...
  • Q. Dong, et al., sene Onto logy-based protein function prediction ...
  • Molecular Cell Biology, vol. 2, 0227, pp. 995-1225. ...
  • D. Pal and D. Eisenberg, Rnference of protein function from ...
  • classification of a protein from its primary sequence, Nucleic Acids ...
  • A. Andreeva, D. Howorth, S. Brenner, _ Hubbard, C. Chothia, ...
  • IEEE Computational Systems Bioinformatics Conference, 0224, pp. 672-671. ...
  • R. Sharan, Analysis of biological networks: Introduction to molecular biology ...
  • International Conference on Bioinformatics and Biomedicl Engineering, 0221 , pp. ...
  • M. Deng, K. Zhang, S. Mehta, T. Chen, F. Sun, ...
  • H. Hishigaki, K. Nakai, T. Ono, A. Tanigami, T. Takagi, ...
  • prediction, Springer, 0211, pp. 407-459. ...
  • M.-A. Krogel and S. Wrobel, Fransformat on-based learning using multirelationl ...
  • of Computer-A ided Molecular Design, _ 9, no.0, 1995, pp. ...
  • algorithm for structure-based drug design, " Journal of Mathematict Chemistry, ...
  • C. Nicolaou, J. Apostolakis, C. Pattichis, De novo drug design ...
  • M. Weir, et al., 4nsights into protein function through large-scale ...
  • D. Lee, O. Redfern, C. Orengo, Rredicting protein function from ...
  • K. Tsuda and W.S. Noble, +earning kernels from biological networks ...
  • C. Cai, L.-Y. Han, Z.-L. Ji, X, -SVRProt: Web-based support ...
  • E. Webb, Enzyme Nomenclature, Academic Press, 1990. ...
  • X. Deng, H. Ali, -Ahidden markov model for gene function ...
  • R.D. Macholan, -Aalysis of gene expression data for gene ontology ...
  • M. Kuramochi and G. Karypis, Gene classification using expression profiles: ...
  • Y. Qi and W.S. Noble, Protein interaction networks: Protein domain ...
  • W. Wong, Kernel methods in c omputer-aided constructive drug design, ...
  • R. Glen, A. Payne, -Agenetic algorithm for the automated generation ...
  • L. Kang, L. Honglin, Z. Xiaoyu, J. Hualiang, W. Xicheng, ...
  • نمایش کامل مراجع