Skip to main content

Table 4 Experimental results for the 20-Fold procedure with the first group of data-sets

From: CORENup: a combination of convolutional and recurrent deep neural networks for nucleosome positioning identification

   LSTM ConvNet CORENup LeNup
HS ACC 0,836 ±0,03 0,83 ±0,03 0,881 ±0,04 0,873 ±0,02
  SENS 0,898 ±0,03 0,867 ±0,03 0,931 ±0,06 0,839 ±0,03
  SPEC 0,792 ±0,03 0,814 ±0,03 0,843 ±0,02 0,906 ±0,04
  MCC 0,681 ±0,002 0,666 ±0,0 0,758 ±0,07 0,762 ±0,03
  AUC 0,92 ±0,03 0,91 ±0,03 0,93 ±0,03 0,928 ±0,01
DM ACC 0,854 ±0,04 0,838 ±0,04 0,882 ±0,02 0,875±0,02
  SENS 0,872 ±0,03 0,816 ±0,03 0,898 ±0,02 0,876±0,03
  SPEC 0,841 ±0,05 0,838 ±0,06 0,869 ±0,02 0,74 ±0,13
  MCC 0,71 ±0,003 0,68 ±0,003 0,766 ±0,04 0,766 ±0,04
  AUC 0,93 ±0,02 0,92 ±0,02 0,94 ±0,02 0,937 ±0,02
E ACC 0,897 ±0,03 0,895 ±0,03 0,915 ±0,05 0,912±0,02
  SENS 0,938 ±0,03 0,924 ±0,02 0,958 ±0,03 0,885±0,02
  SPEC 0,865 ±0,04 0,874 ±0,04 0,882 ±0,03 0,939 ±0,02
  MCC 0,799 ±0,002 0,795 ±0,001 0,835 ±0,07 0,832±0,03
  AUC 0,96 ±0,02 0,96 ±0,02 0,96 ±0,02 0,96 ±0,02
Y ACC 0,996 ±0,05 0,996 ±0,06 1,0 ±0,002 1,0 ±0,0
  SENS 0,998 ±0,05 0,998 ±0,05 0,999 ±0,005 1,0 ±0,0
  SPEC 0,995 ±0,07 0,995 ±0,08 1,0 ±0,0 1,0 ±0,0
  MCC 0,992 ±0,003 0,993 ±0,002 0,999 ±0,005 1,0 ±0,0
  AUC 0,99 ±0,0 0,99 ±0,0 0,99 ±0,0 1,0 ±0,0
  1. The two networks LeNup and CORENup outperform the simpler networks in Figs. 2 and 3. Best values are shown in boldface