but.committee	prof. Ing. Lukáš Sekanina, Ph.D. (předseda) prof. Ing. Jan M. Honzík, CSc. (místopředseda) Ing. Radek Kočí, Ph.D. (člen) Ing. Zbyněk Křivka, Ph.D. (člen) Ing. Igor Szőke, Ph.D. (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A. Otázky u obhajoby: Které z vybraných vlastností měly nejvyšší vliv na přesnost predikce? Zkušel jste porovnat přesnost Felesteinova algoritmu pro výpočet konzervovanosti s ostatními přístupy?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Musil, Miloš	cs
dc.contributor.author	Dúbrava, Juraj Ondrej	cs
dc.contributor.referee	Martínek, Tomáš	cs
dc.date.created	2018	cs
dc.description.abstract	Táto práca sa zaoberá predikciou vplyvu aminokyselinových mutácií na stabilitu proteínu. Cieľom bolo vytvorenie nástroja klasifikujúceho výsledný charakter mutácie s využitím kombinácie viacerých metód strojového učenia. Implementovaný prístup kombinujúci metódy SVM a Random Forest dosiahol lepšie výsledky ako použitie metód samostatne. Nástroj bol porovnaný s dostupnými nástrojmi na nezávislom datasete na ktorom dosiahol úspešnosť predikcie 67 % a koreláciu 0,3.	cs
dc.description.abstract	The main focus of this thesis is the prediction of the effect of amino acid substitutions on protein stability. My goal was to develop a predictive tool for the classification of the effect of mutations by combining several machine learning techniques. The implemented predictor, which utilizes SVM and Random forest methods, has achieved higher accuracy than any of the integrated methods. The novel predictive tool was compared with the existing ones using independent testing dataset. The predictor has yield 67 % accuracy and MCC 0,3.	en
dc.description.mark	A	cs
dc.identifier.citation	DÚBRAVA, J. Využití strojového učení pro predikci vlivu mutací na stabilitu proteinů [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2018.	cs
dc.identifier.other	114710	cs
dc.identifier.uri	http://hdl.handle.net/11012/85084
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	proteínova stabilita	cs
dc.subject	aminokyselinové substitúcie	cs
dc.subject	mutácie	cs
dc.subject	strojové učenie	cs
dc.subject	ensemble systémy	cs
dc.subject	náhodný les	cs
dc.subject	protein stability	en
dc.subject	amino acid substitutions	en
dc.subject	mutations	en
dc.subject	machine learning	en
dc.subject	ensemble systems	en
dc.subject	support vector machines	en
dc.subject	random forest	en
dc.title	Využití strojového učení pro predikci vlivu mutací na stabilitu proteinů	cs
dc.title.alternative	Machine Learning as a Tool for the Prediction of the Effect of Mutations on Protein Stability	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2018-06-12	cs
dcterms.modified	2020-05-10-16:13:18	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	114710	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:05:57	en
sync.item.modts	2025.01.15 16:06:02	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav informačních systémů	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Využití strojového učení pro predikci vlivu mutací na stabilitu proteinů

Files

Original bundle

Collections