Publicación:
CNN-Promoter, new consensus promoter prediction program based on neural networks

Vista sencilla de ítem
dc.contributor.authorBedoya, O. (Óscar)spa
dc.contributor.authorBustamante, S. (Santiago)spa
dc.creator.email[email protected]spa
dc.creator.email[email protected]spa
dc.date.accepted2011-06-23spa
dc.date.accessioned2013-11-19T13:43:20Zspa
dc.date.available2013-11-19T13:43:20Zspa
dc.date.created2011-07spa
dc.date.issued2013-11-19spa
dc.date.submitted2011-02-24spa
dc.descriptionA new promoter prediction program called CNN-Promoter is presented. CNN-Promoter allows DNA sequences to be submitted and predicts them as promoter or non-promoter. Several methods have been developed to predict the promoter regions of genomes in eukaryotic organisms including algorithms based on Markov’s models, decision trees, and statistical methods. Although there are plenty of programs proposed, there is still a need to improve the sensitivity and specificity values. In this paper, a new program is proposed; it is based on the consensus strategy of using experts to make a better prediction. The consensus strategy is developed by using neural networks. During the training process, the sensitivity and specificity were 100 % and during the test process the model reaches a sensitivity of 74.5 % and a specificity of 82.7 %.spa
dc.description.abstractEn este artículo se presenta un programa nuevo para la predicción de promotores llamado CNN-Promoter, que toma como entrada secuencias de ADN y las clasifica como promotor o no promotor. Se han desarrollado diversos métodos para predecir las regiones promotoras en organismos eucariotas, muchos de los cuales se basan en modelos de Markov, árboles de decisión y métodos estadísticos. A pesar de la variedad de programas existentes para la predicción de promotores, se necesita aún mejorar los valores de sensibilidad y especificidad. Se propone un nuevo programa que se basa en la estrategia de mezcla de expertos usando redes neuronales. Los resultados obtenidos en las pruebas alcanzan valores de sensibilidad y especificidad de 100 % en el entrenamiento y de 74,5 % de sensibilidad y 82,7 % de especificidad en los conjuntos de validación y prueba.spa
dc.format.extent12 p.spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.bibliographiccitationBedoya, O., and Bustamante, S. (2011). CNN-Promoter, new consensus promoter prediction program based on neural networks, Revista EIA, 8 (15), 153-164. doi: http://hdl.handle.net/11190/165spa
dc.identifier.issnISSN 17941237spa
dc.identifier.urihttps://repository.eia.edu.co/handle/11190/165spa
dc.language.isoengspa
dc.publisher.editorFondo Editorial EIAspa
dc.relation.ispartofRevista EIAspa
dc.relation.referencesAbeel, T.; Saeys, Y.; Bonnet, E.; Rouzé, P. and Van de Peer, Y. (2008). “Generic eukaryotic core promoter prediction using structural features of DNA”. Genome Research, vol. 18, No. 2 (February), pp. 310-323.spa
dc.relation.referencesAllen, J. E.; Pertea, M. and Salzberg, S. L. (2004). “Computational gene prediction using multiple sources of evidence”. Genome Research, vol. 14, No. 1 (January), pp. 142-148.spa
dc.relation.referencesBajic, V.; Seah, S.; Chong, A; Zhang, G; Koh, J. L. Y. and Brusic, V. (2002). “Dragon Promoter Finder: Recognition of vertebrate RNA polymerase II promoters”. Bioinformatics, vol. 18, No. 1 (January), pp. 198-199.spa
dc.relation.referencesBarlow, T. W. Feed-forward neural networks for secondary structure prediction. (1995). Journal of Molecular Graphics and Modelling, vol. 13, No. 3 (June), pp.175-183.spa
dc.relation.referencesBurden, S.; Lin, Y.-X. and Zhang, R. (2005). “Improving promoter prediction for the NNPP2.2 algorithm: A case study using Escherichia coli DNA sequences”. Bioinformatics, vol. 21, No. 5 (March), pp. 601-607.spa
dc.rightsDerechos Reservados - Universidad EIA, 2020spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.creativecommonsAtribución-NoComercialspa
dc.rights.licenseEl autor de la obra, actuando en nombre propio, hace entrega del ejemplar respectivo y de sus anexos en formato digital o electrónico y autoriza a la ESCUELA DE INGENIERIA DE ANTIOQUIA, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995, y demás normas generales sobre la materia, utilice y use por cualquier medio conocido o por conocer, los derechos patrimoniales de reproducción, comunicación pública, transformación y distribución de la obra objeto del presente documento. PARÁGRAFO: La presente autorización se hace extensiva no sólo a las dependencias y derechos de uso sobre la obra en formato o soporte material, sino también para formato virtual, electrónico, digital, y en red, internet, extranet, intranet, etc., y en general en cualquier formato conocido o por conocer. EL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realiza sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARÁGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la ESCUELA DE INGENIERÍA DE ANTIOQUIA actúa como un tercero de buena fe.spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc/4.0/spa
dc.subject.arcmarcPERCEPTRONESspa
dc.subject.arcmarcPERCEPTRONSspa
dc.subject.arcmarcINTELIGENCIA ARTIFICIALspa
dc.subject.arcmarcARTIFICIAL INTELLIGENCEspa
dc.subject.eiaTECNOLOGÍAS PARA LA SALUDspa
dc.subject.eiaTECHNOLOGY IN HEALTHspa
dc.subject.keywordsPROMOTER PREDICTIONspa
dc.subject.keywordsNEURAL NETWORKSspa
dc.subject.keywordsCONSENSUS STRATEGYspa
dc.subject.keywordsPREDICCIÓN DE PROMOTORESspa
dc.subject.keywordsREDES NEURONALESspa
dc.subject.keywordsESTRATEGIA DE CONSENSOspa
dc.subject.lcshREI00157spa
dc.titleCNN-Promoter, new consensus promoter prediction program based on neural networksspa
dc.title.alternativeCNN-Promoter, novo programa para a predição de promotores baseado em redes neuronaisspa
dc.title.alternativeCNN-Promoter, nuevo programa para la predicción de promotores basado en redes neuronalesspa
dc.typeArtículo de revistaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_6501spa
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/articlespa
dc.type.redcolhttps://purl.org/redcol/resource_type/ARTspa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
REI00157.pdf
Tamaño:
1.07 MB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
1.46 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
Revista EIA