English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Plus monthly

Global: Zendy Tools annual

Global: Zendy Tools monthly

Global: Zendy Free Plan

Genis veri setlerinden anlamli ve dogru bilgilerin cikarilmasi biyoinformatik calismalarinda onemli bir unsurdur. Karsilasilan en onemli zorluklardan biri, kanser ile iliskili olan genomik isaretcilerin tespitidir. Bu problemin cozumu icin kullanilan genom dizilimlerinin sayisallastirilmasi ve dizilimlerden oznitelik cikarimi, sorunun cozumunde oldukca etkilidir. DNA dizilimlerinin sayisallastirilmasi icin literaturde var olan cesitli yontemler kullanilmaktadir. Oznitelik cikariminda da, onceki calismalarda, belirli istatistiksel parametreler hesaplanmakta ve bu parametreler uzerinden bir ayrim gerceklestirilmektedir. Ayrica, hesaplanan parametreler uzmanin tecrubesine dayali olarak secilmektedir. Bu calismada onerilen yaklasimda ise, yeni bir haritalama yontemi olan Entropi tabanli sayisal haritalama ile DNA dizilimleri sayisal sinyallere donusturulmus ve daha sonra sayisallastirilan DNA dizilimlerinden Evrisimsel Sinir Aglari (ESA) kullanilarak oznitelik cikarimi yapilmistir. ESA modelleri kullanarak yapilan oznitelik cikarma isleminde sistem, veriden kendisi oznitelik cikarmaktadir. Daha sonra ESA modellerinden elde edilen oznitelikler Destek Vektor Makinesi (DVM) ve k-En yakin komsu algoritmasi (k-NN) ile siniflandirilmistir. Bu calismada, yukarida bahsedilen her iki yaklasim kullanilarak DNA dizilerinden gogus kanseri ve saglikli gen dizilimi gruplarinin siniflandirmasi icin yeni bir yontem onerilmektedir. Onerilen yontem ile ulasilan siniflandirma dogrulugu %85.97’dir. Elde edilen sonuclar, derin ogrenmenin genom analizinde genlerin siniflandirilmasi, yeni genlerin bulunmasi gibi uygulamalarda etkili bir yontem olabilecegini gostermektedir.

Evrişimsel sinir ağları kullanılarak normal ve göğüs kanseri hücreleri içeren genomların sınıflandırılması