КВАНТИЛЬНОЕ ПРЕОБРАЗОВАНИЕ В ЗАДАЧАХ СТРУКТУРНОЙ БИОИНФОРМАТИКИ
(Стр. 29-43)

Подробнее об авторах
Полуян Сергей Владимирович ассистент, кафедра распределенных информационно-вычислительных систем
Институт системного анализа и управления, Государственный Университет «Дубна» Ершов Николай Михайлович кандидат физико-математических наук; старший научный сотрудник факультета вычислительной математики и кибернетики (ВМК)
Московский государственный университет имени М.В. Ломоносова
Москва, Российская Федерация
Оплатить 390 руб. (Картой) Оплатить 390 руб. (Через QR-код)

Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты

Аннотация:
Настоящая работа посвящена особенностям реализации многомерной эмпирической квантильной функции, для которой элементы выборки распределены на узлах регулярной сетки. В работе приведено краткое «рекурсивное» определение структуры многомерной квантильной функции и предложен алгоритм, позволяющий выполнять как дискретное, так и непрерывное многомерное квантильное преобразование. Приводятся результаты численного исследования представленного алгоритма преобразования и показана вычислительная сложность в зависимости от способа хранения выборки. Продемонстрированы результаты применения эволюционных алгоритмов оптимизации с использованием квантильного преобразования в двух задачах структурной биоинформатики: задаче предсказания пространственной структуры пептида по аминокислотной последовательности и задаче локального пептид-белок докинга с известным линейным интерфейсом связывания и линейной структурой пептида.
Образец цитирования:
Полуян С.В., Ершов Н.М., (2019), КВАНТИЛЬНОЕ ПРЕОБРАЗОВАНИЕ В ЗАДАЧАХ СТРУКТУРНОЙ БИОИНФОРМАТИКИ. Computational nanotechnology, 4 => 29-43.
Список литературы:
Полуян С.В., Ершов Н.М. Применение многомерной квантильной функции в задаче пептид-белок докинга // Вестник Южно-Уральского государственного университета. Серия «Вычислительная математика и информатика». 2019. Т. 8, № 2. С. 63-75. [Poluyan S.V., Ershov N.M. The use of multidimensional quantile function in the peptide-protein docking problem. Bulletin of the South Ural State University. Series "Computational Mathematics and Computer Science". 2019. Vol. 8, No. 2. P. 63-75.]
O’Brien G.L. The Comparison Method for Stochastic Processes. The Annals of Probability. 1975. Vol. 3. No. 1. P. 80-88.
Rentzsch R., Renard B.Y. Docking small peptides remains a great challenge: an assessment using AutoDock Vina. Briefings in Bioinformatics. 2015. Vol. 16. No. 6. P. 1045-1056.
Einmahl J.H.J., Mason D.M. Generalized Quantile Processes. The Annals of Statistics. 1992. Vol. 20. No. 2. P. 1062-1078.
Репозитории GitHub. URL: https://github.com/poluyan (дата обращения: 10.12.2019). [GitHub repositories. URL: https://github.com/ poluyan (accessed: 12/10/2019).]
Poluyan S., Ershov N. Parallel evolutionary optimization algorithms for peptide-protein docking. EPJ Web of Conferences. 2018. Vol. 173. P. 06010-06010.
Daciuk J., Mihov S.W., Watson B.W., Watson R.E. Incremental Construction of Minimal Acyclic Finite-State Automata. Computational Linguistics. 2000. Vol. 26. No. 1. P. 3-16.
Ferrández A., Peral J. MergedTrie: Efficient textual indexing. PLoS One. 2019. Vol. 14. No. 4.
Kjos-Hanssen B., Liu L. The number of languages with maximum state complexity. Theory and Applications of Models of Computation. TAMC 2019. Lecture Notes in Computer Science. 2019. Vol. 11436. P. 394-409.
Alford R.F., Leaver-Fay A., et al. The Rosetta all-atom energy function for macromolecular modeling and design. Journal of Chemical Theory and Computation. 2017. Vol. 13. No. 6. P. 3031-3048.
Полуян С.В., Ершов Н.М. Применение параллельных эволюционных алгоритмов оптимизации в задачах структурной биоинформатики // Вестник УГАТУ. 2017. Т. 21, № 4. С. 143-152. [Poluyan S.V., Ershov N.M. Application of parallel evolutionary optimization algorithms in problems of structural bioinformatics. Bulletin of USATU. 2017. Vol. 21. No. 4. P. 143-152.]
Buchan D., Jones D. The PSIPRED Protein Analysis Workbench: 20 years on. Nucleic Acids Research. 2019. Vol. 47. No. W1. P. W402-W407.
Zhang J., Sanderson A. JADE: Adaptive differential evolution with optional external archive. IEEE Transactions on Evolutionary Computation. 2009. Vol. 13. No. 5. P. 945-958.
Shapovalov M., Dunbrack R.L. A Smoothed Backbone-Dependent Rotamer Library for Proteins Derived from Adaptive Kernel Density Estimates and Regressions. Structure. 2011. Vol. 19. No. 6. P. 844-858.
Berman H.M., Westbrook J. et al. The Protein Data Bank. Nucleic Acids Research. 2000. Vol. 28. No. 1. P. 235-242.
Schrödinger LLC. The PyMOL Molecular Graphics System. URL: https://pymol.org (дата обращения: 10.12.2019).
Sellers M.S., Hurley M.M. XPairIt Docking Protocol for pepti docking and analysis. Molecular Simulati. 2015. Vol. 42. No. 2. P. 149-161.
Raveh B., London N., et al. Rosetta FlexPepDock ab-initio: Simultaneous Folding, Docking and Refinement of Peptides onto Their Receptors. PLoS ONE. 2011. Vol. 6. No. 4.
Adam G., Bashashin M. et al. IT-ecosystem of the HybriLIT heterogeneous platform for high-performance computing and training of IT-specialists // Selected Papers of the 8th International Conference “Distributed Computing and Grid-technologies in Science and Education” (GRID 2018). 2018. P. 638-644.
Heterogeneous Computing Cluster HybriLIT. URL: http://hybrilit.jinr. ru/en/ (дата обращения: 10.12.2019).
Ключевые слова:
эмпирическая квантильная функция, конечный автомат, глобальная оптимизация.


Статьи по теме