ارائه مدلی کارآمد بهمنظور پیشبینی پپتیدهای ضدمیکروبی با استفاده از الگوریتم های هوش مصنوعی

هدف: هدف از انجام این تحقیق پیشنهاد یک الگوریتم کارآمد بهمنظور پیشبینی پپتیدهای ضدمیکروبی با استفاده از الگوریتم های هوش مصنوعی می باشد. مواد و روش ها: در این تحقیق، ابتدا یک مجموعه داده پپتیدهای ضدمیکروبی و پپتیدهای فاقد فعالیت ضدمیکروبی به روز شامل ویژگی های فیزیکوشیمیایی در سطح اسیدهای آمینه و توالی پروتئین در سه گونه حیوانی و انسان استخراج گردید. پس از کاوش داده ها و مراحل پیشپردازش داده، چهار روش یادگیری با نظارت شامل الگوریتم درخت تصمیمگیری ، الگوریتم جنگل تصادفی، الگوریتم بیز ساده و الگوریتم ماشین بردار پشتیبان بر روی مجموعه داده پپتیدهای ضدمیکروبی و پپتیدهای فاقد فعالیت ضدمیکروبی با اعتبارسنجی متقابل ۱۰ برابری برای ساخت مدل ها و پیشبینی برچسب پپتیدهای ضدمیکروبی با استفاده از معیارهای ارزیابی اختصاصی بودن، حساسیت، نرخ صحت، معیار دقیق بودن، نرخ کامل بودن، معیار اف و سطح زیر منحنی راک ارزیابی گردید. نتایج: در این تحقیق با استفاده از یک مجموعه داده به روز، یک مدل یادگیری ماشین. با موفقیت برای پیش بینی پپتیدهای ضدمیکروبی آموزش داده شده است. مجموعه جامعی از ویژگی های تحت انتخاب ویژگی قرار گرفته اند تا ویژگی های کلیدی پپتیدهای ضدمیکروبی را شناسایی کنند. پس از انتخاب ویژگی، در میان مدل های مختلف تولید شده، مدل مبتنی بر طبقه بندی کننده مدل جنگلتصادفی با نرخ صحت (۹۵ درصد)، معیاردقیق بودن (۹۶ درصد)، نرخ کامل بودن (۹۵ درصد) و معیار اف (۹۵ درصد)، بهترین عملکرد را نشان داد. از چهار الگوریتم دستهبندی، الگوریتم جنگل تصادفی و ماشین بردار پشتیبان بیشترین دقت را دارند. و الگوریتم دستهبند درخت تصمیمگیری کمترین دقت را داشت. نتیجه گیری: با توجه به نتایج به دست آمده مدل پیشنهادی جنگل تصادفی عملکرد بهتری نسبت به سایر مدل ها برای پیشبینی پپتیدهای ضدمیکروبی دارد، این مدل برخی از پپتیدها را بهعنوان پپتید با خاصیت ضدمیکروبی پیش بینی کردند. این رویکرد پیش بینی می تواند در استخراج پپتیدهای ضدمیکروبی از کتابخانه های پپتیدهای ضدمیکروبی در کاربردهای بالینی مفید قبل از حرکت به مطالعات تجربی مفید باشد. از سوی دیگر، چندین ویژگی در ویژگی های انتخابی نهایی نشان می دهد که این ویژگی ها تعیین کننده حیاتی خواص پپتیدها هستند و باید در توسعه مدل هایی برای پیش بینی فعالیت پپتیدها در نظر گرفته شوند. کد اجرایی در فایل پیوست موجود است.

کلیدواژه ها:

الگوریتم های یادگیری ماشین ، پپتیدهای ضدمیکروبی ، سطح زیر منحنی های مشخصه عملکرد گیرنده ، ماتریس درهمریختگی