پیش بینی مکان تعامل پروتئین-پروتئین از طریق ترکیب ویژگی های محلی و سراسری با شبکه ترکیبی LSTM-TextCNN

مطالعات اخیر نشان داده است که استفاده از ویژگی های سراسری به همراه ویژگی های بافتاری محلی، تاثیر قابل توجهی در پیش بینی دقیق تر محل اتصال تعاملات پروتئین-پروتئین دارد. لذا، این مقاله به معرفی یک روش می پردازد که ابتدا از تکنیک پنجره کشویی استفاده می کند تا همسایه های آمینو اسید هدف را جهت محاسبه ویژگی های بافتاری محلی انتخاب کند. سپس، ترکیبی از حافظه طولانی کوتاه مدت با شبکه عصبی کانولوشنی متنی را برای استخراج ویژگی های سراسری از روی دنباله کامل پروتئین بکار می گیرد. در نهایت، با اطلاعات حاصل از ویژگی های بافتاری محلی و دنباله سراسری، یک شبکه عصبی عمیق آموزش داده می شود تا عملیات طبقه بندی و پیشگویی محل اتصالات پروتئین-پروتئین را انجام دهد. رویکرد مذکور روی سه مجموعه داده محک اعمال شده و با برخی از روش های شناخته شده مورد مقایسه قرار گرفته است. نتایج نشان می دهند که روش معرفی شده از نظر معیارهای ارزیابی عملکرد بهتری نسبت به سایر روش های دیگر دارد

کلیدواژه ها:

تعامل پروتئین-پروتئین ، حافظه طولانی کوتاه مدت ، شبکه عصبی کانولوشنی ، طبقه بندی