تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله طبقه بندی تکنیک های یادگیری ماشین در رابطه کمی نانوساختار-فعالیت (QSAR)

عنوان فارسی: طبقه بندی و ارزیابی تکنیک های یادگیری ماشین در رابطه کمی نانوساختار-فعالیت (QSAR)
عنوان انگلیسی: Classification and Evaluation of Machine Learning Thecniques in Quantitative Nanostructure-Activity Relationship (QNAR)
تعداد صفحات مقاله انگلیسی : 15 تعداد صفحات ترجمه فارسی : 18
سال انتشار : 2014 فرمت مقاله انگلیسی : PDF
فرمت ترجمه مقاله : ورد تایپ شده کد محصول : 8885
محتوای فایل : zip حجم فایل : 2.42Mb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر و زیست شناسی
گرایش های مرتبط با این مقاله: بیوانفورماتیک و هوش مصنوعی
مجله: پنجمین کنفرانس بیوانفورماتیک ایران - The 5th Iranian conference on Bioinformatics
دانشگاه: گروه مهندسی کامپیوتر، دانشگاه الزهرا، تهران، ایران
کلمات کلیدی: QNAR، QSAR، نانوذرات تولید شده، شیمی ترکیبی، یادگیری ماشین
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1.مقدمه

2. رابطه کمی ساختار-فعالیت (QSAR)

3. چالش‌های مدل‌سازی QNAR

3.1 اولین چالش؛ پیچیدگی فیزیکی/ ساختاری

3.2 چالش دوم؛ کدام توصیفگرها باید استفاده شوند؟

4. مدل‌سازی QNAR با استفاده از تکنیک‌های یادگیری ماشین

4.1 -نزدیک‌ترین همسایگان- K (kNN)

4.2 رگرسیون خطی چندگانه (MLR) - شبکه عصبی مصنوعی (ANN)

4.3. روش‌های Bayesian

4.4. ماشین بردار پشتیبانی (SVM)

4.4.1 ماشین بردار مربوطه (RVM)

4.5 رگرسیون خطی ژنتیک- چند متغیره (MLR) -حداقل مربعات تقریبی (PLS)

4.6. الگوریتم ژنتیک-رگرسیون خطی چند متغیره (GA-MLR)

4.7 رگرسیون منطقی

5. نتیجه و بحث

نمونه متن انگلیسی

Abstract

Nanotechnology is drawing worldwide attention for its numerous applications in various industrial areas. There is a growing public concern about the safety of manufactured nanoparticles (MNPs), since it has been demonstrated that MNPs intended for industrial applications could cause toxic effects in humans. Acute or repeated exposure to MNPs present in commercial products may potentially cause systemic, cellular, and/or genomic toxicities. Thus, understanding the biological effects of exposure to MNPs is essential. This minireview tries to provide a summary of recent key advances in the field of Quantitative Nanostructure-Activity Relationship (QNAR) modelling of nanomaterial biological effects, categorize and analyze related researches based on different machine learning techniques and also investigate challenges and different approaches which are proposed to overcome them. The proposed classification can be effective in choosing applications appropriate algorithm and identifying the major gaps in research required to accelerate the use of quantitative structure–activity relationship (QSAR) methods , and providing a roadmap for future research needed to achieve QSAR models useful for regulatory purposes.

نمونه متن ترجمه

چکیده

فناوری نانو به دلیل کاربردهای متعدد در حوزه‌های مختلف صنایع توجه جهانیان را به خود جلب کرده است. یک نگرانی عمومی رو به رشد در مورد ایمنی نانو ذرات تولیدشده وجود دارد، زیرا نشان داده شده است MNP هایی که کاندید هستند باعث ایجاد اثرات سمی در انسان می‌شوند. مواجهه حاد یا مکرر MNP موجود در محصولات تجاری ممکن است ذاتاً سبب سمیت های سیستماتیک، سلولی و / یا ژنی شوند. بنابراین درک اثرات بیولوژیکی که در معرض MNP قرار دارند ضروری است. این مقاله مروی کوچک تلاش می‌کند خلاصه‌ای از پیشرفت‌های کلیدی اخیر در زمینه های مدل‌سازی ریاضی بیولوژیکی اثرات، دسته‌بندی و آنالیز مربوطه نانومواد، رابطه کمی نانوساختار-فعالیت (QNAR) بر اساس تکنیک‌های مختلف یادگیری ماشین و همچنین بررسی چالش‌ها و رویکردهای مختلف که برای غلبه بر آن‌ها پیشنهاد شده است را بررسی کند. طبقه‌بندی پیشنهادشده می‌تواند در انتخاب الگوریتم‌های مناسب برنامه‌ها و شناسایی شکاف اصلی در تحقیقات مورد نیاز برای سرعت بخشیدن به استفاده از روش‌های کیفی رابطه ساختار-فعالیتی (QSAR) و ارائه نقشه راه برای تحقیقات مورد نیاز در آینده برای دستیابی به مدل‌های QSAR برای اهداف نظارتی مفید باشد.