Clustering and classification of protein sequences

Problematika ovog rada je nenadzirana klasifikacija niza motiva nekog proteina. Prelaskom u vektorski prostor želi se motive klasificirati ovisno o tome jesu li dovoljno slični upitu ili nisu. Razvijena metoda traži najgušću kuglu sa zadanim radijusom. Testiranje točnosti radijusa je provedeno nad podacima u kojima se zna je li motiv TP ili nije. Određeno je težište svih TP, ta točka je uzeta kao središte kugle zadanog radijusa te rezultati pokazuju da je radijus zaista optimalan. Zatim, prolaskom po svim točkama te traženjem najgušće kugle u podacima, dobije se kugla s neravnomjerno raspoređenim podacima unutar nje. Kako bi podaci bili ravnomjerno raspršeni oko središta, središte se pomakne na težište točaka koje se nalaze unutar kugle. Taj korak se ponavlja 5 puta te metoda staje pronalaskom težišta koje se sljedećom iteracijom ne pomiče.This thesis is concerned with unsupervised classification of protein motifs. Using standard methods, the problem is reduced to some geometrical considerations - searching for the optimal n-dimensional ball - in a certain Euclidean space. The radius of the n-ball has been derived previously, and we test that it is, indeed, the optimal solution. We develop a method for optimizing the center of the ball and test it on four standard plant proteomes, with very good results