互信息估计在预测五肽结构稳定性中的应用

工具书类

[1]H.Almuallim和T.G.Dietterich，学习与许多无关的特征。程序。第九届全国人工智能大会AAAI出版社，1991年，第547-552页。在谷歌学者中搜索

[2]P.Comon，独立成分分析。一个新概念。信号处理36(1994), 287–314.10.1016/0165-1684(94)90029-9在谷歌学者中搜索

[3]D.Darmon，从数据中对随机动力系统进行最优预测的信息论模型选择。物理学。审查E97（2018），第3203206号。10.1103/物理修订版E.97.032206在谷歌学者中搜索公共医学

[4]L.Ein-Dor、O.Zuk和E.Domany，需要数千个样本来生成一个可靠的基因列表，以预测癌症的预后。程序。国家。阿卡德。科学。美国103（2006），第15期，5923–5928。10.1073/pnas.0601231103在谷歌学者中搜索公共医学公共医学中心

[5]I.T.Jolliffe，主成分分析Springer–Verlag，纽约，1986年。10.1007/978-1-4757-1904-8在谷歌学者中搜索

[6]I.Kononenko，估算属性：RELIEF的分析和扩展。程序。第7届欧洲。机器学习的困惑, 1994.10.1007/3-540-57868-4_57在谷歌学者中搜索

[7]A.Kraskov、H.Stoogbauer和P.Grassberger，《估计相互信息》。物理学。审查E69（2004），第6号，066138。10.1103/物理版次E.69.066138在谷歌学者中搜索公共医学

[8]O.F.Lange和H.Grubmuller，生物分子动力学的广义关联。蛋白质62(2006), 1053–1061.10.1002/保护20784在谷歌学者中搜索公共医学

[9]A.N.Nekrasov，蛋白质序列的熵：整体方法。J.生物分子结构。发电机.20(2002), 87–92.10.1080/07391102.2002.10506825在谷歌学者中搜索公共医学

[10]A.N.Nekrasov，蛋白质序列信息结构分析：蛋白质结构域组织分析的新方法。J.生物分子结构。发电机.21（2004），第5期，615–623。10.1080/07391102.2004.10506952在谷歌学者中搜索公共医学

[11]A.N.Nekrasov、L.G.Alekseeva、R.A.Pogosyan、D.A.Dolgikh、M.P.Kirpichnikov、A.G.de Brevern和A.A.Anashkina，多肽链合理设计的最小稳定区块集。生物化学160(2019), 88–92.2016年10月10日/j.bichi.2019.02.006在谷歌学者中搜索公共医学

[12]A.N.Nekrasov、A.A.Anashkina和A.A.Zinchenko，蛋白质结构组织的新范式。生物信息系统的理论方法(2014), 1–22.在谷歌学者中搜索

[13]B.Scholkopf、R.Herbrich和A.J.Smola，广义表示定理。印度海军(2001), 416–426.10.1007/3-540-44581-1_27在谷歌学者中搜索

[14]铃木（T.Suzuki）、杉山（M.Sugiyama）、卡纳莫利（T.Kanamori）和塞斯（J.Sese），相互信息估计揭示了刺激和生物过程之间的全球关联。BMC生物信息学10(2009), 552.10.1186/1471-2105-10-S1-S52在谷歌学者中搜索公共医学公共医学中心

[15]G.D.Tourassi、E.D.Frederick、M.K.Markey和C.E.Jr.Floyd，计算机辅助诊断中特征选择的互信息准则的应用。医学物理学28（2001），第12期，2394–2402。10.1118/1.1418724在谷歌学者中搜索公共医学

[16]V.Tsurko和A.Michalskii，使用经验数据选择信息特征的对比方法。Avtomatika i Telemekhanika公司12（2016），136-154（俄语）。在谷歌学者中搜索

[17]V.Vapnik和R.Izmailov，统计推断问题及其严格解决方案。统计学习与数据科学LNAI（2015），第9047号，第33–75页。10.1007/978-3-319-17091-6_2在谷歌学者中搜索