Dimensionality Reduction and Prediction of the Protein Macromolecule Dissolution Profile

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F14%3A86092534" target="_blank" >RIV/61989100:27240/14:86092534 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/61989100:27740/14:86092534

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-08156-4_30" target="_blank" >http://dx.doi.org/10.1007/978-3-319-08156-4_30</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-08156-4_30" target="_blank" >10.1007/978-3-319-08156-4_30</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Dimensionality Reduction and Prediction of the Protein Macromolecule Dissolution Profile

Popis výsledku v původním jazyce

A suitable regression model for predicting the dissolution profile of Poly (lactic-co-glycolic acid) (PLGA) micro- and nanoparticles can play a significant role in pharmaceutical/medical applications. The rate of dissolution of proteins is influenced byseveral factors and taking all such influencing factors into account, we have a dataset in hand with three hundred input features. Therefore, a primary approach before identifying a regression model is to reduce the dimensionality of the dataset at hand.On the one hand, we have adopted Backward Elimination Feature selection techniques for an exhaustive analysis of the predictability of each combination of features. On the other hand, several linear and non-linear feature extraction methods are used inorder to extract a new set of features out of the available dataset. A comprehensive experimental analysis for the selection or extraction of features and identification of corresponding prediction model is offered. The designed experimen

Název v anglickém jazyce

Dimensionality Reduction and Prediction of the Protein Macromolecule Dissolution Profile

Popis výsledku anglicky

A suitable regression model for predicting the dissolution profile of Poly (lactic-co-glycolic acid) (PLGA) micro- and nanoparticles can play a significant role in pharmaceutical/medical applications. The rate of dissolution of proteins is influenced byseveral factors and taking all such influencing factors into account, we have a dataset in hand with three hundred input features. Therefore, a primary approach before identifying a regression model is to reduce the dimensionality of the dataset at hand.On the one hand, we have adopted Backward Elimination Feature selection techniques for an exhaustive analysis of the predictability of each combination of features. On the other hand, several linear and non-linear feature extraction methods are used inorder to extract a new set of features out of the available dataset. A comprehensive experimental analysis for the selection or extraction of features and identification of corresponding prediction model is offered. The designed experimen

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2014

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Advances in Intelligent Systems and Computing. Volume 303

ISBN

978-3-319-08155-7

ISSN

2194-5357

e-ISSN

—

Počet stran výsledku

10

Strana od-do

301-310

Název nakladatele

Springer-Verlag Berlin Heidelberg

Místo vydání

Berlin Heidelberg

Místo konání akce

Ostrava

Datum konání akce

23. 6. 2014

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—