Reference : Prédiction structurée multitâche itérative de propriétés structurelles de protéines
Scientific congresses and symposiums : Paper published in a book
Engineering, computing & technology : Computer science
http://hdl.handle.net/2268/129253
Prédiction structurée multitâche itérative de propriétés structurelles de protéines
French
Maes, Francis mailto [Université de Liège - ULg > Dép. d'électric., électron. et informat. (Inst.Montefiore) > Systèmes et modélisation >]
Becker, Julien mailto [Université de Liège - ULg > Dép. d'électric., électron. et informat. (Inst.Montefiore) > Systèmes et modélisation >]
Wehenkel, Louis mailto [Université de Liège - ULg > Dép. d'électric., électron. et informat. (Inst.Montefiore) > Systèmes et modélisation >]
2011
7e Plateforme AFIA: Association Française pour l'Intelligence Artificielle
Editions Publibook
279
Yes
No
National
Conférence Francophone d'Apprentissage
from 16-05-2011 to 20-05-2011
Chambéry
France
[fr] Bioinformatique ; Multitâche ; Apprentissage structuré
[fr] Le développement d'outils informatiques pour prédire de l'information structurelle de protéines à partir de la séquence en acides aminés constitue un des défis majeurs de la bioinformatique. Les problèmes tels que la prédiction de la structure secondaire, de l'accessibilité au solvant, ou encore la prédiction des régions désordonnées, peuvent être exprimés comme des problèmes de prédiction avec sorties structurées et sont traditionnellement résolus individuellement par des méthodes d'apprentissage automatique existantes. Etant donné que ces problèmes sont fortement liés les uns aux autres, nous proposons de les traiter ensemble par une approche d'apprentissage multitâche. A cette fin, nous introduisons un nouveau cadre d'apprentissage générique pour la prédiction structurée multitâche. Nous appliquons cette stratégie pour résoudre un ensemble de cinq tâches de prédiction de propriétés structurelles des protéines. Nos résultats expérimentaux sur deux jeux de données montrent que la stratégie proposée est significativement meilleure que les approches traitant individuellement les tâches.
GIGA-Bioinformatics
F.R.I.A. - Fonds National de la Recherche Scientifique belge, Belgian Network BIOMAGNET (Bioinformatics and Modelling: from Genomes to Networks)
Researchers
http://hdl.handle.net/2268/129253

File(s) associated to this reference

Fulltext file(s):

FileCommentaryVersionSizeAccess
Open access
final.pdfAuthor postprint557.61 kBView/Open

Bookmark and Share SFX Query

All documents in ORBi are protected by a user license.