In a large number of experimental p

In a large number of experimental problems, high dimensionality of the search area and economical constraints can severely limit the number of experimental points that can be tested. Within these constraints, classical optimization techniques perform poorly, in particular, when little a priori knowledge is available. In this work we investigate the possibility of combining approaches from statistical modeling and bio-inspired algorithms to effectively explore a huge search space, sampling only a limited number of experimental points. To this purpose, we introduce a novel approach, combining ant colony optimization (ACO) and naïve Bayes classifier (NBC) that is, the naïve Bayes ant colony optimization (NACO) procedure. We compare NACO with other similar approaches developing a simulation study. We then derive the NACO procedure with the goal to design artificial enzymes with no sequence homology to the extant one. Our final aim is to mimic the natural fold of 200 amino acids 1AGY serine esterase from Fusarium solani.

ผลลัพธ์ (ไทย) 1:

ในจำนวนมากของปัญหาทดลอง มิติสูงค้นหาพื้นที่และข้อจำกัดทางเศรษฐกิจรุนแรงสามารถจำกัดจำนวนของจุดที่ทดลองที่สามารถทดสอบ ภายในข้อจำกัดเหล่านี้ เทคนิคการเพิ่มประสิทธิภาพคลาสสิกทำได้ไม่ดี โดยเฉพาะ เมื่อความรู้ priori มีน้อย ในงานนี้ เราตรวจสอบความเป็นไปได้ของแนวทางการสร้างโมเดลทางสถิติและอัลกอริทึมชีวภาพแรงบันดาลใจในการสำรวจพื้นที่ค้นหาขนาดใหญ่ ได้อย่างมีประสิทธิภาพเพียงจำนวนจำกัดของจุดที่ทดลองสุ่มตัวอย่าง เพื่อวัตถุประสงค์นี้ เราแนะนำแนวทางนวนิยาย รวมเพิ่มประสิทธิภาพอาณานิคมมด (ACO) และลักษณนาม Bayes (NBC) ที่ไร้เดียงสา ไร้เดียงสา Bayes มดอาณานิคม (NACO) การเพิ่มประสิทธิภาพของกระบวนการ เราสามารถเปรียบเทียบ NACO ด้วยวิธีการอื่น ๆ คล้ายพัฒนาศึกษาจำลอง เราแล้วได้รับการ NACO มีเป้าหมายในการออกแบบเอนไซม์เทียมกับไม่มี homology ลำดับไปยังหลงเหลืออยู่ เป้าหมายสุดท้ายของเราคือการ เลียนแบบธรรมชาติพับของ 200 esterase รอบเส้นใยประสาท 1AGY กรดอะมิโนจาก Fusarium solani

ผลลัพธ์ (ไทย) 2:

ในจำนวนมากของปัญหาการทดลองมิติสูงของพื้นที่การค้นหาและข้อ จำกัด ที่ประหยัดอย่างรุนแรงสามารถ จำกัด จำนวนของจุดทดลองที่สามารถทดสอบได้ ภายใต้ข้อ จำกัด เหล่านี้เทคนิคการเพิ่มประสิทธิภาพคลาสสิกทำงานได้ไม่ดีโดยเฉพาะอย่างยิ่งเมื่อเล็ก ๆ น้อย ๆ ความรู้เบื้องต้นสามารถใช้ได้ ในงานนี้เราจะตรวจสอบความเป็นไปได้ของการรวมวิธีการจากการสร้างแบบจำลองทางสถิติและขั้นตอนวิธีการทางชีวภาพที่เป็นแรงบันดาลใจให้เกิดประสิทธิภาพในการสำรวจพื้นที่ค้นหาขนาดใหญ่, การสุ่มตัวอย่างจำนวน จำกัด เพียงจุดทดลอง เพื่อจุดประสงค์นี้เราแนะนำแนวทางใหม่ในการประกอบการเพิ่มประสิทธิภาพมดอาณานิคม (ACO) และไร้เดียงสา Bayes ลักษณนาม (NBC) นั่นคือการเพิ่มประสิทธิภาพไร้เดียงสา Bayes อาณานิคมมด (NACO) ขั้นตอน เราเปรียบเทียบ NACO ด้วยวิธีการอื่น ๆ ที่คล้ายกันในการพัฒนาการศึกษาการจำลอง จากนั้นเราได้รับมาขั้นตอน NACO โดยมีเป้าหมายในการออกแบบเอนไซม์เทียมไม่มีคล้ายคลึงลำดับไปยังหลงเหลืออยู่หนึ่ง จุดมุ่งหมายสุดท้ายของเราคือการเลียนแบบพับตามธรรมชาติของกรดอะมิโน 200 1AGY ซีรีน esterase จากเชื้อรา Fusarium solani

ผลลัพธ์ (ไทย) 3:

ในตัวเลขขนาดใหญ่ของปัญหา ทดลอง dimensionality สูงของการค้นหาพื้นที่และข้อจำกัดทางเศรษฐกิจอย่างรุนแรงสามารถ จำกัด จำนวนของจุดทดลองที่สามารถทดสอบ ภายในข้อ จำกัด เหล่านี้เทคนิคการเพิ่มประสิทธิภาพการดําเนินงานคลาสสิก โดยเฉพาะ เมื่อน้อย priori ความรู้พร้อม งานวิจัยนี้ศึกษาความเป็นไปได้ของการรวมแนวคิดจากแบบจำลองทางสถิติและชีวภาพแรงบันดาลใจขั้นตอนวิธีมีประสิทธิภาพสำรวจพื้นที่ค้นหาขนาดใหญ่เพียงจำนวน จำกัด ของจุดทดลองตัวอย่าง เพื่อวัตถุประสงค์นี้ เราแนะนำแนวทางใหม่ในการรวมอาณานิคมมด ( ACO ) และนา ไตได้ Bayes ลักษณนาม ( NBC ) นั่นคือ นา ไตได้ Bayes อาณานิคมมด ( นาโค ) การเพิ่มประสิทธิภาพกระบวนการ เราเปรียบเทียบกับอื่น ๆที่คล้ายกันแนวทางการพัฒนานาโกจำลองการศึกษา จากนั้นเราก็มาขั้นตอนนาโค โดยมีเป้าหมายเพื่อออกแบบประดิษฐ์เอ็นไซม์กับลำดับตัวที่ยังมีชีวิตหนึ่ง เป้าหมายสุดท้ายของเราคือการเลียนแบบธรรมชาติ 200 พับกรดอะมิโน 1agy เซรีน esterase จาก Fusarium solani .