Multiobjective artificial fish swarm algorithm for multiple sequence alignment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Multiple sequence alignment (MSA) represents a basic task for many bioinformatics applications. MSA allows finding common conserved regions among various sequences of proteins or DNA. However, to find the optimal multiple sequence alignment, it is necessary to design an efficient exploration approach that could explore a huge number of possible multiple sequence alignments. As well as, it is required to use a powerful evaluation method to assess the biological relevance of these multiple sequence alignment. To address these main problems, this article presents a multiobjective artificial fish swarm algorithm (MOAFS) to solve multiple sequence alignment. MOAFS uses the behaviors of artificial fish swarm algorithm such as the cooperation, decentralization and parallelism to ensure a good trade-off between the exploration and the exploitation of the search space of MSA problem. To preserve the quality and consistency of alignment, two fitness functions have been simultaneously used by the MOAFS algorithm: (i) Weighted Sum of Pairs to determine similar regions horizontally and (ii) Similarity function to determine vertically similar regions between the sequences of an alignment. Following the exploration of space search, the Pareto-optimal set is obtained by MOAFS which performs the optimal multiple sequence alignments for both fitness functions. The performance of MOAFS algorithm has been proved by comparing our algorithm with different progressive alignment methods, and other alignment methods based on evolutionary algorithms with single-objective and many-objective. The experiment results conducted on BAliBASE 2.0 and BAliBASE 3.0 benchmark confirm that the MOAFS algorithm provides a greater accuracy statistical significance in terms of SP or CS scores.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle