تقویت عملکرد پیش بینی برای یک مطالعه موردی در بیوانفورماتیک با استفاده از یک پیش بینی کننده مبتنی بر یادگیری (برهمکنش های پروتئین-پپتید در سطح باقیمانده های پیوندی)

پیش بینی برهمکنش های پروتئین-پپتید، در درک رفتارهای غیرطبیعی سلولی، تبیین عملکردهای بیولوژیکی، طراحی دارو و راهبردهای درمانی نقش مهمی دارد. روش های تجربی و آزمایشگاهی برای تشخیص باقیمانده های درگیر در برهمکنش پروتئین-پپتید، با محدودیت هایی مانند: هزینه های بالای نیروی انسانی، زمان بر بودن آزمایش ها و وابستگی به ابزارها و تجهیزات گران قیمت، همراه هستند. برای غلبه بر این محدودیت ها، یک پیش بینی کننده محاسباتی مبتنی بر بر یادگیری عمیق (واحد بازگشتی گیت دار عمیق) و یادگیری ماشین (ماشین بردار پشتیبان بهبود یافته) طراحی و پیاده سازی شده است. این مدل پیشنهادی، از انواع خصیصه های مستخرج شده از ساختارهای پروتئینی شامل ویژگی های تکاملی، مبتنی بر توالی، مبتنی بر ساختار و فیزیکوشیمیایی استفاده می کند. در مدل ترکیبی توسعه یافته از دو تکنیک نمونه برداری کاهشی و افزایشی برای مدیریت بیش پیش بینی کلاس غیرپیوندی ناشی از عدم توازن ذاتی داده های پروتئینی، استفاده شده است. عملکرد مدل پیشنهادی با دو مجموعه داده استاندارد (Sparks,Wei) برگرفته از پایگاه داده BioLip، سنجیده شده و در مقایسه با مدل های محاسباتی رقیب، موفق به اخذ نتایج مطلوب تر شده است. این نتایج شامل بهینگی از نظر معیارهای دقت (تقریبا۱درصد)، اندازه گیری-اف (حداقل۵/۲۱ درصد)، تعادل مابین حساسیت و خاصگی (تقریبا ۱/۲درصد)، فاکتور غنی سازی، نقشه گرمایی و نرخ موفقیت براساس دامنه های پروتئینی است.

کلیدواژه ها:

برهمکنش پروتئین-پپتید ، بیش پیش بینی ، پیوندی یا غیرپیوندی ، یادگیری ماشین ، یادگیری عمیق