Luận án TS. Đoàn Duy Bình: Dự đoán cấu trúc bậc hai RNA bằng tính toán mềm
Luận án tiến sĩ nghiên cứu dự đoán cấu trúc bậc hai phân tử sinh học bằng cách kết hợp các kỹ thuật tính toán mềm tiên tiến.
Đại học Bách khoa, Đại học Đà Nẵng
Khoa học Máy tính
Luan An
Luận án tiến sĩ
Năm xuất bản
Số trang
178
Thời gian đọc
27 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
50 Point
Mục lục chi tiết
Tóm tắt nội dung
I.Dự đoán cấu trúc RNA Tổng quan thách thức hiện nay
Phân tử RNA đóng vai trò trung tâm trong nhiều quá trình sinh học. Hiểu biết về cấu trúc của RNA là chìa khóa để khám phá chức năng của nó. Cấu trúc RNA được phân loại thành bậc một, bậc hai và bậc ba. Bậc hai bao gồm các cặp base nội phân tử, tạo thành các vòng lặp và thân kép. Dự đoán cấu trúc bậc hai RNA là một bước thiết yếu. Nó giúp giải mã cách RNA tương tác và thực hiện vai trò sinh học. Lĩnh vực này là giao thoa giữa sinh học phân tử và phân tử sinh học tính toán. Tuy nhiên, việc dự đoán cấu trúc RNA gặp nhiều thách thức. Không gian tìm kiếm giải pháp rất lớn. Các mô hình nhiệt động học RNA truyền thống có hạn chế. Nhu cầu về các phương pháp mạnh mẽ, chính xác hơn là rất cấp thiết. Giải quyết thách thức này mở ra tiềm năng lớn cho y học và công nghệ sinh học.
1.1. Hiểu biết cơ bản về cấu trúc RNA và chức năng
RNA là một phân tử sinh học quan trọng, đảm nhiệm nhiều vai trò thiết yếu trong tế bào. Không chỉ là chất trung gian truyền thông tin di truyền, RNA còn tham gia vào quá trình điều hòa gen, xúc tác phản ứng sinh hóa, và cấu trúc nên các bộ máy phân tử phức tạp. Sự đa dạng về chức năng của RNA gắn liền với khả năng cuộn gấp thành các cấu trúc không gian ba chiều phức tạp. Cấu trúc RNA được chia thành các bậc: bậc một là trình tự nucleotide, bậc hai là các vùng bắt cặp base intra-molecular, và bậc ba là sự sắp xếp không gian cuối cùng. Dự đoán cấu trúc bậc hai RNA là bước đệm quan trọng để hiểu cấu trúc bậc ba và chức năng của phân tử này. Các phương pháp dự đoán cấu trúc bậc hai RNA thường tập trung vào việc xác định các cặp base ổn định nhất. Hiểu rõ cấu trúc RNA mở ra cánh cửa cho nhiều ứng dụng y sinh, từ thiết kế thuốc đến kỹ thuật gen. Việc nghiên cứu này đòi hỏi sự kết hợp giữa sinh học phân tử và phân tử sinh học tính toán. Các RNA folding algorithms liên tục được cải tiến.
1.2. Thách thức trong dự đoán cấu trúc bậc hai RNA
Việc dự đoán cấu trúc RNA đặt ra nhiều thách thức lớn. Kích thước và độ phức tạp của phân tử RNA tăng lên theo số lượng nucleotide. Không gian tìm kiếm cho các cấu trúc có thể là rất lớn. Các phương pháp truyền thống thường dựa vào mô hình nhiệt động học RNA. Những mô hình này tính toán năng lượng tự do Gibbs của các cấu trúc. Mục tiêu là tìm cấu trúc có năng lượng tự do tối thiểu. Tuy nhiên, dữ liệu năng lượng tự do không phải lúc nào cũng hoàn hảo. Nhiều yếu tố sinh học chưa được tính toán đầy đủ. Điều này dẫn đến sự không chính xác trong dự đoán. Sự tồn tại của nhiều cấu trúc meta-stable cũng làm phức tạp bài toán. RNA folding algorithms cần phải xử lý hiệu quả không gian tìm kiếm rộng lớn. Cần các công cụ mạnh mẽ để vượt qua những hạn chế này. Công nghệ tối ưu hóa tổ hợp đóng vai trò quan trọng trong việc giải quyết vấn đề. Các kỹ thuật tính toán mềm hứa hẹn mang lại những giải pháp mới.
II.Tính toán mềm Giải pháp tối ưu hóa cấu trúc RNA
Tính toán mềm (Soft Computing) cung cấp một khung làm việc hiệu quả cho các bài toán phức tạp. Phương pháp này đặc biệt phù hợp với việc dự đoán cấu trúc RNA. Các kỹ thuật như thuật toán di truyền, logic mờ và mạng nơ-ron nhân tạo sinh học giúp giải quyết sự không chắc chắn. Chúng tìm kiếm các giải pháp đủ tốt trong thời gian chấp nhận được. Tính toán mềm khắc phục hạn chế của các phương pháp truyền thống. Nó thích nghi tốt với không gian tìm kiếm rộng lớn của RNA folding algorithms. Thuật toán di truyền (GA) là một ví dụ điển hình. GA mô phỏng quá trình tiến hóa tự nhiên. Nó tìm kiếm cấu trúc RNA có năng lượng tự do tối thiểu. GA sử dụng các toán tử lai ghép và đột biến để khám phá không gian giải pháp. Khả năng thoát khỏi cực tiểu cục bộ làm cho GA trở thành công cụ mạnh mẽ. Tính toán mềm là nền tảng cho sự phát triển của phân tử sinh học tính toán.
2.1. Giới thiệu tổng quan về tính toán mềm
Tính toán mềm là một phương pháp tiếp cận mạnh mẽ để giải quyết các bài toán phức tạp. Phương pháp này thường đối phó với sự không chắc chắn, không rõ ràng và thông tin không đầy đủ. Thay vì tìm kiếm lời giải chính xác tuyệt đối, tính toán mềm hướng đến các giải pháp đủ tốt trong thời gian hợp lý. Các kỹ thuật chính của tính toán mềm bao gồm thuật toán di truyền, logic mờ, và mạng nơ-ron nhân tạo sinh học. Những công cụ này cung cấp khả năng học hỏi, thích nghi và tối ưu hóa tổ hợp hiệu quả. Tính toán mềm đặc biệt phù hợp với các bài toán có không gian tìm kiếm lớn, như dự đoán cấu trúc bậc hai RNA. Phương pháp này có thể xử lý dữ liệu nhiễu và các ràng buộc phức tạp. Phân tử sinh học tính toán tận dụng triệt để những ưu điểm này. Áp dụng tính toán mềm giúp cải thiện độ chính xác và tốc độ. Đây là một hướng nghiên cứu đầy tiềm năng.
2.2. Thuật toán Di truyền GA cho xếp nếp RNA
Thuật toán di truyền là một trong những kỹ thuật tính toán mềm nổi bật. GA mô phỏng quá trình chọn lọc tự nhiên để tìm kiếm lời giải tối ưu. Đối với bài toán dự đoán cấu trúc bậc hai RNA, GA có thể tìm kiếm cấu trúc có năng lượng tự do tối thiểu. Mỗi cá thể trong quần thể GA đại diện cho một cấu trúc RNA tiềm năng. Các toán tử như chọn lọc, lai ghép và đột biến được áp dụng. Toán tử lai ghép kết hợp các phần tốt của hai cấu trúc cha mẹ. Đột biến giúp khám phá các vùng mới trong không gian tìm kiếm. GA có khả năng thoát khỏi các cực tiểu cục bộ. Điều này là một lợi thế lớn so với các phương pháp dựa trên gradient. Việc sử dụng GA giúp RNA folding algorithms linh hoạt hơn. GA có thể được điều chỉnh để kết hợp các ràng buộc sinh học. Phương pháp này đóng góp vào sự phát triển của phân tử sinh học tính toán.
III.Mô hình nhiệt động học Nền tảng dự đoán cấu trúc RNA
Mô hình nhiệt động học là xương sống của nhiều RNA folding algorithms. Chúng dựa trên nguyên tắc tối thiểu hóa năng lượng tự do Gibbs. Cấu trúc RNA ổn định nhất là cấu trúc có năng lượng tự do thấp nhất. Tính toán năng lượng tự do của một cấu trúc bậc hai RNA được thực hiện bằng cách tổng hợp năng lượng từ các thành phần cấu trúc. Các thành phần này bao gồm các vòng xếp chồng, vòng kẹp tóc, vòng lặp trong và vòng nhiều nhánh. Mỗi loại vòng lặp có các tham số năng lượng tự do riêng. Các tham số này được xác định thông qua thực nghiệm. Quy tắc năng lượng tự do hỗn hợp cũng được áp dụng. Chúng điều chỉnh các giá trị năng lượng dựa trên sự tương tác giữa các yếu tố cấu trúc. Sự hiểu biết sâu sắc về mô hình nhiệt động học RNA rất quan trọng. Nó cải thiện độ chính xác trong dự đoán cấu trúc. Điều này là cần thiết cho cả dự đoán cấu trúc bậc hai RNA và xếp nếp RNA tertiary.
3.1. Tính toán năng lượng tự do cho các vòng lặp RNA
Mô hình nhiệt động học RNA là cơ sở của nhiều RNA folding algorithms. Các mô hình này dựa trên nguyên lý năng lượng tự do tối thiểu. Cấu trúc RNA ổn định nhất là cấu trúc có năng lượng tự do Gibbs thấp nhất. Năng lượng tự do của một cấu trúc RNA được tính bằng tổng các năng lượng đóng góp từ các vòng lặp. Các vòng lặp bao gồm vòng xếp chồng (stack loops), vòng kẹp tóc (hairpin loops), vòng lặp trong (internal loops), và vòng nhiều nhánh (multi-loops). Mỗi loại vòng lặp có công thức tính năng lượng riêng. Các tham số năng lượng được xác định thực nghiệm. Các bảng năng lượng tự do cung cấp giá trị cho từng loại vòng lặp. Tính toán năng lượng tự do của một cấu trúc bậc hai đòi hỏi sự cẩn thận. Sự kết hợp các giá trị này cho phép ước tính tổng năng lượng tự do. Đây là một bước quan trọng trong dự đoán cấu trúc bậc hai RNA.
3.2. Quy tắc năng lượng tự do hỗn hợp và ổn định cấu trúc
Việc tính toán năng lượng tự do không chỉ đơn thuần là tổng các thành phần. Có những quy tắc đặc biệt cho năng lượng tự do hỗn hợp. Các quy tắc này xử lý sự tương tác giữa các thành phần cấu trúc. Ví dụ, năng lượng đóng góp từ các vòng xếp chồng phụ thuộc vào cặp base liền kề. Kích thước của vòng lặp cũng ảnh hưởng đến sự ổn định. Các vòng kẹp tóc với chiều dài nhỏ hơn 3 thường không ổn định. Các vòng lặp trong lớn hơn có thể có năng lượng mất ổn định lớn. Phân tử sinh học tính toán sử dụng các quy tắc này. Mục tiêu là tối ưu hóa việc tìm kiếm cấu trúc ổn định. Sự hiểu biết sâu sắc về mô hình nhiệt động học RNA giúp cải thiện độ chính xác. Dự đoán chính xác cấu trúc bậc hai là cần thiết cho các nghiên cứu tiếp theo về xếp nếp RNA tertiary. Các thuật toán cần tính toán linh hoạt các quy tắc này để đạt được kết quả tốt nhất.
IV.Kết hợp thuật toán Nâng cao hiệu quả dự đoán cấu trúc RNA
Việc kết hợp các kỹ thuật tính toán mềm mang lại hiệu quả vượt trội trong dự đoán cấu trúc RNA. Thuật toán di truyền (GA) có thể kết hợp với logic mờ. Logic mờ điều chỉnh linh hoạt các tham số của GA. Điều này giúp tối ưu hóa quá trình tìm kiếm giải pháp. Nó tăng cường khả năng thoát khỏi các cực tiểu cục bộ. Một sự kết hợp mạnh mẽ khác là GA với mạng nơ-ron nhân tạo sinh học, cụ thể là LSTM. Máy học cho cấu trúc RNA thông qua LSTM giúp đánh giá nhanh chóng chất lượng cấu trúc. LSTM học được các phụ thuộc dài hạn trong chuỗi nucleotide. Sự kết hợp này tận dụng sức mạnh của cả tối ưu hóa tổ hợp và học sâu. Các phương pháp kết hợp này vượt trội hơn các phương pháp đơn lẻ. Chúng cung cấp các RNA folding algorithms chính xác và hiệu quả hơn. Mục tiêu là cải thiện đáng kể độ chính xác trong dự đoán cấu trúc bậc hai RNA.
4.1. GA kết hợp Logic Mờ tối ưu hóa cấu trúc RNA
Việc kết hợp thuật toán di truyền với logic mờ tạo ra một phương pháp mạnh mẽ hơn. Logic mờ xử lý thông tin không chắc chắn và không chính xác. Trong dự đoán cấu trúc bậc hai RNA, logic mờ có thể điều chỉnh các tham số của GA. Ví dụ, nó điều khiển tỷ lệ lai ghép và đột biến. Logic mờ giúp GA thích nghi tốt hơn với không gian tìm kiếm. Khi GA tiến gần đến giải pháp tối ưu, logic mờ có thể giảm tỷ lệ đột biến. Điều này giúp tăng cường sự hội tụ. Khi GA bị kẹt ở cực tiểu cục bộ, logic mờ có thể tăng tỷ lệ đột biến. Điều này giúp khám phá các vùng mới. Sự kết hợp này cải thiện khả năng tối ưu hóa tổ hợp. Phương pháp này mang lại hiệu quả cao hơn trong việc tìm kiếm cấu trúc RNA ổn định. Các RNA folding algorithms được hưởng lợi từ sự linh hoạt này.
4.2. GA kết hợp Mạng Nơ ron LSTM cho dự đoán RNA folding
Một phương pháp kết hợp tiên tiến khác là thuật toán di truyền với mạng nơ-ron nhân tạo sinh học, đặc biệt là LSTM (Long Short-Term Memory). LSTM là một loại mạng nơ-ron hồi quy. Nó xuất sắc trong việc học các phụ thuộc dài hạn trong dữ liệu chuỗi. Trong bối cảnh dự đoán cấu trúc bậc hai RNA, LSTM có thể học các mối quan hệ phức tạp giữa trình tự nucleotide. Mạng LSTM có thể được sử dụng để đánh giá chất lượng của các cấu trúc. Điều này giúp hướng dẫn quá trình tìm kiếm của GA. Máy học cho cấu trúc RNA đóng vai trò then chốt ở đây. Các mô hình LSTM có thể nhanh chóng ước tính năng lượng tự do hoặc mức độ ổn định. Kết hợp GA với LSTM cho phép khai thác sức mạnh của cả hai. GA thực hiện tối ưu hóa tổ hợp, trong khi LSTM cung cấp đánh giá nhanh và chính xác. Phương pháp này thể hiện tiềm năng lớn trong phân tử sinh học tính toán để dự đoán xếp nếp RNA tertiary.
V.Thử nghiệm thực tế Đánh giá độ chính xác dự đoán RNA
Các phương pháp dự đoán cấu trúc RNA cần được kiểm định nghiêm ngặt. Việc này được thực hiện trên cơ sở dữ liệu RNA thực tế. Các trình tự RNA với cấu trúc đã biết dùng để đánh giá hiệu suất. Thiết lập thí nghiệm cẩn thận là rất quan trọng. Nó bao gồm việc khởi tạo các tham số cho thuật toán di truyền, logic mờ, và mạng nơ-ron nhân tạo sinh học. Phân tích kết quả thực nghiệm là bước cuối cùng. Nó định lượng hiệu quả của mỗi phương pháp. Các chỉ số như độ nhạy, độ đặc hiệu và độ chính xác tổng thể được sử dụng. Các kết quả thường cho thấy sự cải thiện khi kết hợp các thuật toán. Đặc biệt, mô hình kết hợp GA-LSTM có thể đạt độ chính xác cao nhất. Phân tử sinh học tính toán liên tục cải tiến. Các thử nghiệm này khẳng định tiềm năng của tính toán mềm. Nó cung cấp các giải pháp mạnh mẽ cho dự đoán cấu trúc bậc hai RNA.
5.1. Cơ sở dữ liệu RNA và các thiết lập thí nghiệm
Các phương pháp dự đoán cấu trúc bậc hai RNA cần được kiểm chứng trên dữ liệu thực tế. Một cơ sở dữ liệu RNA tiêu chuẩn là cần thiết. Bộ dữ liệu chứa các trình tự RNA với cấu trúc bậc hai đã biết. Các cấu trúc này được xác định bằng thực nghiệm. Việc này đảm bảo tính khách quan trong đánh giá. Các thiết lập thí nghiệm bao gồm khởi tạo các tham số. Đối với thuật toán di truyền, cần xác định kích thước quần thể, số thế hệ, tỷ lệ lai ghép và đột biến. Khi kết hợp với logic mờ, các luật mờ và hàm thành viên được định nghĩa. Khi sử dụng mạng nơ-ron nhân tạo sinh học như LSTM, kiến trúc mạng, tốc độ học và số epoch được cấu hình. Việc chuẩn bị kỹ lưỡng các tham số là yếu tố quan trọng. Nó ảnh hưởng trực tiếp đến kết quả thực nghiệm. Phân tử sinh học tính toán dựa trên các thử nghiệm có kiểm soát.
5.2. Phân tích kết quả so sánh hiệu quả các phương pháp
Kết quả thực nghiệm cung cấp cái nhìn định lượng về hiệu quả. Các phương pháp được đánh giá dựa trên các chỉ số chính xác. Ví dụ, độ nhạy (sensitivity), độ đặc hiệu (specificity), và độ chính xác tổng thể. Thuật toán di truyền đơn thuần thường cho kết quả tốt. Tuy nhiên, nó có thể cải thiện hơn nữa. Kết hợp GA với logic mờ cho thấy sự cải thiện đáng kể. Logic mờ giúp GA điều chỉnh linh hoạt hơn. Điều này dẫn đến tìm kiếm hiệu quả hơn. Máy học cho cấu trúc RNA qua LSTM càng nâng cao hiệu suất. Mô hình GA-LSTM có thể đạt độ chính xác cao nhất. LSTM giúp đánh giá nhanh chóng và chính xác các cấu trúc. So sánh các phương pháp giúp xác định giải pháp tối ưu. Kết quả thực nghiệm khẳng định tiềm năng của tính toán mềm. Đặc biệt trong việc giải quyết bài toán xếp nếp RNA tertiary và cấu trúc bậc hai.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (178 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐOÀN DUY BÌNH DỰ ĐOÁN CẤU TRÚC BẬC HAI CỦA PHÂN TỬ SINH HỌC TRÊN CƠ SỞ KẾT HỢP MỘT SỐ KỸ THUẬT TÍNH TOÁN MỀM LUẬN ÁN TIẾN SĨ KỸ THUẬT Đà Nẵng – 2023 ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐOÀN DUY BÌNH DỰ ĐOÁN CẤU TRÚC BẬC HAI CỦA PHÂN TỬ SINH HỌC TRÊN CƠ SỞ KẾT HỢP MỘT SỐ KỸ THUẬT TÍNH TOÁN MỀM Chuyên ngành: KHOA HỌC MÁY TÍNH Mã số: 9.01 Người hướng dẫn khoa học: TS. Phạm Minh Tuấn TS. Đặng Đức Long LUẬN ÁN TIẾN SĨ KỸ THUẬT Đà Nẵng – 2023 LỜI CẢM ƠN Trước khi trình bày nội dung chính của luận án, để có được thành quả ngày hôm nay, trong suốt thời gian thực hiện luận án này, tôi đã nhận được sự quan tâm giúp đỡ, hỗ trợ nhiệt tình và những lời động viên chân thành, quý báu từ quý Thầy Cô cùng người thân, bạn bè. Với lòng biết ơn sâu sắc, trước tiên tôi xin gởi lời cảm ơn chân thành đến những người thân trong gia đình – họ đã không ngại khó khăn, gian nan vất vả để tạo điều kiện thuận lợi cho tôi trong suốt thời gian học tập, là người tiếp thêm sức mạnh hỗ trợ tôi vượt qua khó khăn để hoàn thành luận án này.
Tôi xin bày tỏ lòng biết ơn sâu sắc tới Tiến sỹ Phạm Minh Tuấn, Tiến sỹ Đặng Đức Long người đã tận tình quan tâm, động viên, giúp đỡ và trực tiếp hướng dẫn tôi trong suốt thời gian học tập cũng như trong quá trình nghiên cứu để tôi hoàn thành luận án này. Tôi cũng xin bày tỏ lòng biết ơn chân thành tới toàn thể Thầy Cô, Cán bộ Nhân viên của khoa Công nghệ Thông tin và các Phòng Ban chức năng của trường Đại học Bách Khoa, Đại Học Đà Nẵng đã tận tình hướng dẫn, cung cấp tài liệu, động viên củng cố niềm tin và ý chí cho tôi vượt qua các chặng đường khó khăn trong suốt quá trình nghiên cứu tại khoa và tại trường. Tôi xin chân thành cảm ơn tới toàn thể các đồng nghiệp trong khoa Tin học của trường Đại học Sư Phạm, Đại học Đà Nẵng đã luôn tạo điều kiện cho tôi về mặt thời gian để tôi hoàn thành luận án này. Tôi cũng xin chân thành cảm ơn đến trường Đại học Sư phạm, Đại học Đà Nẵng luôn tạo điều kiện về mọi mặt trong quá trình tôi học tập, nghiên cứu và hoàn thành luận án.
i Nhân dịp này tôi cũng xin được gửi lời cảm ơn chân thành tới toàn thể gia đình, bạn bè và anh chị em NCS của khoa Công nghệ Thông tin đã luôn bên tôi, cổ vũ, động viên, giúp đỡ tôi trong suốt quá trình học tập tại trường. Đà Nẵng, ngày tháng năm 2023 Nghiên cứu sinh Đoàn Duy Bình ii Mục lục Chương 1. Tổng quan về RNA, cấu trúc bậc hai RNA và tính toán mềm. Công nghệ sinh học.
Tin sinh học. Cấu trúc Ribonucleic Acid (RNA) và các khái niệm liên quan. Cấu trúc RNA. Các khái niệm liên quan đến RNA.
Dự đoán cấu trúc RNA. Các cách biểu diễn cấu trúc bậc hai RNA. Các phương pháp dự đoán cấu trúc bậc hai RNA, những tồn tại và hướng nghiên cứu phát triển. Tính toán mềm.
Thuật toán Di truyền - (Genetic Algorithm - GA). Logic mờ và các đặc trưng của tập mờ. Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN). Mạng nơ-ron hồi quy.
Mạng nơ-ron dài ngắn hạn (Long Short-Term Memory - LSTM). Kết luận Chương 1. Đề xuất các phương pháp kết hợp trong tính toán mềm để dự đoán cấu trúc bậc hai phân tử sinh học. Bài toán dự đoán cấu trúc bậc hai của phân tử sinh học.
39 iii MỤC LỤC MỤC LỤC 2. Các tham số nhiệt động học. Năng lượng tự do cho những vòng xếp chồng (Stack loop):. Những năng lượng gây mất ổn định theo kích thước vòng:.
Năng lượng tự do cho các vòng kẹp tóc (hairpin loops) tổng quát:. Năng lượng tự do cho vòng kẹp tóc (hairpin loops) với chiều dài là 4:. Năng lượng tự do cho vòng lặp trong (internal loops) tổng quát:. Năng lượng tự do cho vòng lặp trong (internal loops) đối xứng với kích thước 2:.
Năng lượng tự do cho vòng lặp trong (internal loops) không đối xứng có kích thước 3:. Năng lượng tự do cho vòng lặp trong (internal loops) đối xứng với kích thước 4:. Năng lượng tự do cho những điểm bên ngoài (External):. Các quy tắc năng lượng tự do hổn hợp:.
Tính toán năng lượng tự do của một cấu trúc bậc hai. Những hàm tổng quát. Tính năng lượng tự do cho vòng xếp chồng. Tính toán năng lượng tự do cho vòng kẹp tóc.
Tính toán năng lượng tự do cho vòng lặp trong. Tính năng lượng tự do cho vòng nhiều nhánh. Tính toán năng lượng tự do cho cấu trúc nhiều miền. 54 iv MỤC LỤC MỤC LỤC 2.
Các phương pháp đề xuất. Thuật toán di truyền. Kết hợp thuật toán di truyền với logic mờ. Kết hợp thuật toán di truyền với mạng nơ-ron nhân tạo, cụ thể là mạng LSTM.
Kết luận Chương 2. Áp dụng tính toán mềm cho bài toán dự đoán cấu trúc bậc hai RNA. Cơ sở dữ liệu RNA. Bộ dữ liệu.
Kết quả thực nghiệm. Thuật toán di truyền. Khởi tạo các tham số cho thuật toán di truyền. Kết quả thực nghiệm.
Kết hợp thuật toán di truyền với logic mờ. Khởi tạo các tham số cho thuật toán di truyền kết hợp với logic mờ 93 3. Kết quả thực nghiệm. Phương pháp kết hợp thuật toán di truyền với mạng LSTM.
Mô hình kết hợp GA với LSTM. Kết quả thực nghiệm. 99 v MỤC LỤC MỤC LỤC 3. Kết luận Chương 3.
SARS-CoV-2 - 88 Bases. Thông tin chuỗi (Bảng 13 ):. Thuật toán di truyền. Kết hợp thuật toán di truyền với logic mờ.
Phương pháp kết hợp thuật toán di truyền với mạng LSTM .Coli với chiều dài 221 nucleotides. Thông tin chuỗi (Bảng 17). Thuật toán di truyền. Kết hợp thuật toán di truyền với logic mờ.
Phương pháp kết hợp thuật toán di truyền với mạng LSTM. Virus Bmori với chiều dài 498 nucleotides. Thông tin chuỗi (Bảng :21. Thuật toán di truyền.
Kết hợp thuật toán di truyền với logic mờ. Phương pháp kết hợp thuật toán di truyền với mạng LSTM. Schizosaccharomyces pombe với chiều dài 119 nucleotides. Thông tin chuỗi (Bảng 25 ).
Thuật toán di truyền. Kết hợp thuật toán di truyền với logic mờ. xiii vi MỤC LỤC MỤC LỤC 4. Phương pháp kết hợp thuật toán di truyền với mạng LSTM.
Oryza sativa Japonica Group (Japanese rice) với chiều dài 324 nucleotides xv 1. Thông tin chuỗi (Bảng 29 ):. Thuật toán di truyền. Kết hợp thuật toán di truyền với logic mờ.
Phương pháp kết hợp thuật toán di truyền với mạng LSTM. Mycoplasma capricolum với chiều dài 865 nucleotides. Thông tin chuỗi (Bảng 33 ):. Thuật toán di truyền.
Kết hợp thuật toán di truyền với logic mờ. Phương pháp kết hợp thuật toán di truyền với mạng LSTM .Cúm mùa ở Mỹ - Influenza A virus với chiều dài 543 nucleotides. Thông tin chuỗi (Bảng 37 ):. Thuật toán di truyền.
Kết hợp thuật toán di truyền với logic mờ. Phương pháp kết hợp thuật toán di truyền với mạng LSTM .Bạch hầu - Corynebacterium diphtheriae với chiều dài 176 nucleotides. Thông tin chuỗi (Bảng 41 ):. Thuật toán di truyền.
Kết hợp thuật toán di truyền với logic mờ. Phương pháp kết hợp thuật toán di truyền với mạng LSTM. xxix vii MỤC LỤC MỤC LỤC IX. Tay chân miệng (loại ít gây ra các biến chứng về thần kinh)- Coxsackie A16 với chiều dài 252 nucleotides.
Thông tin chuỗi (Bảng 45 ):. Thuật toán di truyền. Kết hợp thuật toán di truyền với logic mờ. Phương pháp kết hợp thuật toán di truyền với mạng LSTM.
Tay chân miệng (loại gây ra các biến chứng nguy hiểm)- Enterovirus A71 với chiều dài 252 nucleotides. Thông tin chuỗi (Bảng 49):. Thuật toán di truyền. Kết hợp thuật toán di truyền với logic mờ.
Phương pháp kết hợp thuật toán di truyền với mạng LSTM. xxxvi viii Danh sách hình vẽ 1.1 Mối quan hệ giữa DNA, RNA và Protein .2 Các nucleotide chuẩn của RNA và sự kết cặp của chúng .3 Ba cấp của cấu trúc RNA. a) Cấu trúc bậc 1. b) Cấu trúc bậc 2.
c) Cấu trúc bậc 3 [63] .4 Các cặp nucleotide chính tắc [33] .5 Cấu trúc bậc hai RNA không có có các cặp nucleotide bắt liên kết chéo nhau (pseudoknot free) [60] .6 Cấu trúc bậc hai RNA có các cặp nucleotide bắt liên kết chéo nhau (pseudoknotted)[51] .7 Các cách biểu diễn cấu trúc bậc hai RNA [45] .8 Lưu đồ thuật toán di truyền .9 Các tập mờ tam giác.10 Tập mờ hình thang.12 Tập mờ Gamma tuyến tính.13 Một phần của mạng nơ-ron hồi quy, A nhìn vào đầu vào Xt và xuất ra một giá trị ht. Các vòng truyền thông tin từ bước này sang bước khác của mạng.14 Cấu trúc mạng LSTM .1 Các cấu trúc thành phần tạo nên cấu trúc bậc hai RNA [60]. 40 ix DANH SÁCH HÌNH VẼ DANH SÁCH HÌNH VẼ 2. Đây là kiểu được hiển thị trong hình (b).3 (a) Năng lượng tự do cho từng vòng với kích thước cụ thể.
(b) Một ví dụ của vòng lặp trong có chiều dài là 4. Bảng năng lượng tự do cho vòng kẹp tóc của kiểu trong (b). (c) là một ví dụ, trong đó c = G và d = A.5 (a) Ví dụ của giá trị năng lượng cho vòng kẹp tóc có độ dài 4. (b) một ví dụ cụ thể cho những vòng kẹp tóc.
Đây là kiểu được hiển thị trong hình (b), (c) là ví dụ mà ở đó có giá trị được tìm thấy trong bảng ở hình (a), ở đó c = G, d = A và c = A, d = G 43 2. Năng lượng cho ví dụ với vòng lặp trong, trong đó c = G và d = A, được hiển thị ở (c). Năng lượng cho ví dụ là (c), với v = A, w = A và c = G, d = G. 45 x DANH SÁCH HÌNH VẼ DANH SÁCH HÌNH VẼ 2.11 Các quy tắc năng lượng tự do hổn hợp.12 Các bazơ lơ lững giữa các miền.15 Quá trình tạo helix .16 Lưu đồ kết hợp thuật toán di truyền với logic mờ .17 Đồ thị của hàm thành viên µ (i) .18 Sơ đồ kết hợp GA và LSTM cho bài toán dự đoán cấu trúc bậc hai RNA.1 Cấu trúc của chuỗi Ichthyosporidium sp.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Câu hỏi thường gặp
Luận án "Dự đoán cấu trúc RNA, phân tử sinh học bằng tính toán mềm" nghiên cứu về vấn đề gì?
Luận án tiến sĩ nghiên cứu dự đoán cấu trúc bậc hai phân tử sinh học bằng cách kết hợp các kỹ thuật tính toán mềm tiên tiến.
Luận án "Dự đoán cấu trúc RNA, phân tử sinh học bằng tính toán mềm" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Đại học Bách khoa, Đại học Đà Nẵng. Năm bảo vệ: 2023.
Luận án "Dự đoán cấu trúc RNA, phân tử sinh học bằng tính toán mềm" thuộc chuyên ngành gì?
Luận án "Dự đoán cấu trúc RNA, phân tử sinh học bằng tính toán mềm" thuộc chuyên ngành Khoa học Máy tính. Danh mục: Sinh Học Phân Tử Tế Bào.
Luận án "Dự đoán cấu trúc RNA, phân tử sinh học bằng tính toán mềm" có bao nhiêu trang?
Luận án "Dự đoán cấu trúc RNA, phân tử sinh học bằng tính toán mềm" có 178 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Dự đoán cấu trúc RNA, phân tử sinh học bằng tính toán mềm" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.