طراحی یک ساختار ترکیبی مبتنی بر یادگیری عمیق به منظور پیشبینی جایگاههای فسفریلاسیون | ||
| زیست فناوری | ||
| Volume 16, Issue 3 - Serial Number 46, Spring 1404, Pages 102-113 PDF (1.08 M) | ||
| Document Type: پژوهشی اصیل | ||
| DOI: 10.48311/biot.2025.27532 | ||
| Authors | ||
| زینب ظهیری* 1; ناصر مهرشاد* 2 | ||
| 1دانشگاه بیرجند | ||
| 2دانشگاه بیرحند | ||
| Abstract | ||
| فسفریلاسیون مهمترین نوع از تغییرات پس از ترجمه (Post-Translational Modification) است که نقش مهمی در مطالعات عملکرد پروتئین و طراحی تجربی دارد. با توجه به اهمیت فسفریلاسیون در پروتئینها و افزایش روزافزون شمار توالیهای پروتئینها در پایگاههای داده، نیاز به بهبود روشهای محاسباتی پیشبینی جایگاههای فسفریلاسیون، از نظر سرعت و دقت روز به روز با اهمیتتر میشود. با اینکه تاکنون ابزارهای پیشبینی کننده بسیار زیادی برای پیشبینی مکانهای فسفریلاسیون با استفاده از روشهای مختلف یادگیری ماشین معرفی گردیده است اما هنوز هم تا ابزار بسیار کارآمد فاصله زیادی است و تلاشها برای دستیابی به چنین ابزاری ادامه دارد. اخیراً، چندین مطالعه ادعا کردهاند که روشهای مبتنی بر یادگیری عمیق بهترین راه برای پیشبینی مکانهای فسفریلاسیون هستند زیرا یادگیری عمیق به عنوان یک روش یادگیری ماشینی پیشرفته میتواند به طور خودکار نمایشهای پیچیده الگوهای فسفریلاسیون را از توالیهای خام تشخیص دهد و بنابراین ابزاری قدرتمند برای بهبود پیشبینی جایگاه فسفریلاسیون ارائه میدهد. در این مطالعه، یک ساختار ترکیبی بر اساس روش یادگیری عمیق کانولوشنی (Convolutional Deep Learning) با نام ConvoPhos به منظور پیشبینی مکانهای فسفریلاسیون معرفی شده است به گونهای که، بردار ویژگی CkSAApair بهدست آمده از روی توالیها، بهعنوان ورودی بخشی از طبقهبند و تبدیل توالیها به عکس، بهعنوان ورودی بخش دیگری از شبکههای کانولوشنی استفاده شده است. نتایج حاصل از اعتبارسنجی متقابل 10 باره، مقدار صحت 94 درصدی را برای دادههای phosphosite و AUC 90 درصدی را نشان میدهد، که در بین سایر روشهای مقایسه شده بالاترین کارایی را دارد. | ||
| Keywords | ||
| فسفریلاسیون پروتئین; استخراج ویژگی; پیشبینی کننده; شبکه یادگیری عمیق کانولوشنی | ||
| References | ||
|
| ||
|
Statistics Article View: 177 PDF Download: 66 |
||
| Number of Journals | 45 |
| Number of Issues | 2,196 |
| Number of Articles | 24,877 |
| Article View | 28,781,994 |
| PDF Download | 18,604,139 |