Random Records

Note: ENNAACT is a novel tool which employs neural networks for anticancer activity classification for therapeutic peptides doi: 10.1016/j.biopha.2020.111051 Using a novel sequence-based deep neural network classifier to predict ACP ENNAACT is comparable to best-in-class, CV accuracy ~ 98.3%, Mathews correlation coefficient ~ 0.91, AUC ~ 0.95 https://research.timmons.eu/ennaact ACP 5-30 AA Often drive from host defence peptides (HDP ~ peptide against microbes) 3 mechanisms have been proposed in terms of killing cancer cells Cytoplasmic mb disruption via micellization or pore formation Induction of apoptosis via disruption of the mitochondrial mb (peptide entering the cells w/o cell mb disruptive?) Healthy cell vs cancer cells Healthy cells Zwitterionic cell mb Cancerous cells Cell mb ~ net negative charge, this is due to phosphatidylserine  O-glycosylated mucins Sialylated ganglioside Heparin sulfate High cell surface area Increased membrane fluidity Most previous machine learning ...

Extract features from the policy: ม.มหิดล ผลักดันทักษะในโลกยุคศตวรรษที่ 21 เตรียมพร้อมนักศึกษาก้าวสู่การเป็นพลเมืองโลก_2019 Ref:  https://techsauce.co/pr-news/mahidol-university-21st-century-skill 1.โลก ปป เร็ว ในศตวรรษที่ 21 2.ต้องการผลิต นศ. ให้เป็น global citizenship (เป็นยุทธศาสตร์ ระดับมหาวิทยาลัย) 3.รษก อธิการบดี -- ต้องการให้มหาวิทยาลัยเป็น global university (อะไรที่เรียกว่า global? จบจากมหิดลไปอยู่ที่ไหนก็ได้ โอกาสรับเข้าทำงานสูงมาก ๆ?) 4.เพราะต้องการเป็น global university เลยพยายามจัดการศึกษา ที่มุ่งเน้นผลลัพธ์การไปสู่เป้าหมาย ซึ่งก็คือ การเป็น global university (outcome-based education) 5.ดังนั้นปรับการเรียนการสอนให้ global กับ เอาเกณฑ์การประกันแบบ AUN-QA ซึ่งก็ global ระดับหนึ่งมาใช้ (แต่ไม่เห็นบอกถึงการจัดการในเรื่องของ supportive ที่จะทำอย่างไรให้เป็น global มากขึ้น สายวิชาการไม่มีปัญหา แต่สายสนับสนุนเก่ง ๆ หาได้น้อยมาก ซึ่งเป็นสายงานที่มีความสำคัญเหมือนกัน) 6.เพราะว่า Job ค่อนข้างลิมิต ดังนั้นจึงอยากฝึกนักศึกษาให้เป็น Enterpreneuship (ไม่ชัวร์เหมือนกันว่า ecosystem จะ...

Note: mACPpred A Support Vector Machine-Based Meta-Predictor for Identification of Anticancer Peptides doi: 10.3390/ijms20081964 Gap; Accurate prediction of ACPs -- problematic in field of immunoinformatics Performance of ML is not that good, at current moment This study: Present novel approaches to precisely predict Applying two-step feature selection protocol Contain 7 features that embedded in AA sequences Composition-based Physicochemical properties Profiles Obtained their corresponding optimal feature-based models Predicted probability feature vectors Used as input to support vector machine Intro; ACP -- 5-50 AA In depth mechanisms toward cancers are unknown but thought to be related with membranolytic activities Identify novel  ACP -- time consuming, thus using computational method to predict ACP based on the AA sequences before synthesis -- cost-saving This study; Dataset with a lowest redundancy benchmark Using this dataset to extract feature and building the model 7 featur...

Note ~ datacamp ข้อมูลมีจำนวนมาก ถ้าข้อมูลมีจำนวนน้อย ๆ ไม่มีประโยชน์ที่จะทำ sampling ข้อมูลที่ได้มา ต้องมาดูด้วยว่า มี bias ในการเก็บหรือเปล่า (not generalized for the whole population) เพราะถ้ามี bias ในการเก็บข้อมูล เวลาสรา้ง model ที่ based on from that data จะทำให้การทำนาย (predict) ไม่แม่นยำ การทำ bootstrap คือ การแซมปลิ่งมาจากกลุ่มตัวอย่างอีกรอบหนึ่ง (S1) ซึ่งกลุ่มตัวอย่าง S1 ต้องเป็นกลุ่มตัวอย่างที่สามารถเป็น representative ที่ดีของกลุ่มประชากร (good video to explain bootstrap ~ click ) ทำเมื่อ เราไม่สามารถสุ่มเลือกแซมเปิลมาได้เยอะ และเราก็ไม่รู้ว่าจากการสุ่มเลือกในแต่ละครั้งนั้นมีการกระจายตัวแบบปกติไหม เพราะจำนวนแซมปิงมันไม่เยอะพอ ทำให้การหาค่า standard error มันยาก และอาจจะไม่แม่นยำ การ set seed คือ การทำ pseudo-random ในคอมพิวเตอร์ ซึ่งจริง ๆ แล้วมันไม่ได้เป็นการ random อย่างแท้จริง แต่เราทำเพื่อที่จะให้ได้ reproducibility ในการรันโค้ด In R; there are many packages which generates random number (แต่ในแต่ละ package จะมีการ random number ที่มีการ distribute ของข้อมูลแต่ต่างกัน...

Loading…

  Note: Illuminating Non-genetic Cellular Heterogeneity with Imaging-Based Spatial Proteomics  doi: 10.1016/j.trecan.2020.12.006 Image-based spatial proteomics technologies  -- provide subcellular resolution ทำให้เราเข้าใจถึงบทบาทของ non-genetic cellular heterogeneity ในการเกิดมะเร็ง และการดื้อยาของเซลล์มะเร็ง เป็นเพราะว่า technology ของการอ่านลำดับเบสถูกลง ทำให้การศึกษาทางด้าน genetics โดยเฉพาะ accumulation of mutations and gene fusions -- > ทำให้เราสามารถ chase variation in subclonal populations แต่การศึกษาในเชิง phenotypic ซึ่งต้องอาศัยเทคนิคอื่นนั้น ยังมีข้อมูลไม่มากเท่าไหร่ (non-genetic cellular heterogeneity) The main reason why we lack information on phenotype; Lack of protein abundance information Lack of protein localization Thus, image-based spatial proteomics tech -- inform us Location of protein Amount of protein with subcellular resolution Spatial organization of proteins (โปรตีนอยู่ตรงไหนของเซลล์ และทำหน้าที่อะไรตรงนั้น?) This kind of information can not ...