ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

PULBLM: A Computational Positive-Unlabeled Learning Method for Drug-Target Interactions Prediction

سال انتشار: 1398
کد COI مقاله: ICIKT10_047
زبان مقاله: انگلیسیمشاهد این مقاله: 248
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

خرید و دانلود فایل مقاله

متن کامل (فول تکست) این مقاله منتشر نشده و یا در سایت موجود نیست و امکان خرید آن فراهم نمی باشد.

مشخصات نویسندگان مقاله PULBLM: A Computational Positive-Unlabeled Learning Method for Drug-Target Interactions Prediction

Faraneh Haddadi - Department of Computer Engineering and Data mining laboratory Alzahra University Tehran, Iran
Mohammad Reza Keyvanpour - Department of Computer Engineering Alzahra University Tehran, Iran

چکیده مقاله:

Drug-target interactions prediction is an essential prerequisite for drug discovery and human medicine. Computational drug-target interactions prediction methods are low-cost alternatives to laboratory activities. One of the most popular computational methods for drug-target interactions prediction is bipartite local models (BLM). This method uses local models to predict potential interactions based on drug domain similarities, target domain similarities, and known drug-target interactions. One of the challenges in this field is the absence of confirmed negative laboratory samples. Using positive-unlabeled learning (PUL) approaches to extract reliable negatives can help improve performance. In this article, we have expanded BLM by introducing a PUL method. We have used real-world online datasets to test our method. The results shows that our method has better results than BLM and SELF-BLM. Our method has 0.82 and 0.59 results in AUC and AUPR, respectively.

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/982282/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Haddadi, Faraneh and Keyvanpour, Mohammad Reza,1398,PULBLM: A Computational Positive-Unlabeled Learning Method for Drug-Target Interactions Prediction,دهمین کنفرانس فناوری اطلاعات و دانشIKT2019,تهران,,,https://civilica.com/doc/982282

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1398, Haddadi, Faraneh؛ Mohammad Reza Keyvanpour)
برای بار دوم به بعد: (1398, Haddadi؛ Keyvanpour)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 5,746
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی