کاربرد یادگیری عمیق در پیش بینی ساختار و عملکرد پروتئین ها از داده های توالی

پروتئین ها نقش اساسی در فرآیندهای زیستی ایفا می کنند و ساختار سه بعدی آن ها تعیین کننده مستقیم عملکرد زیستی شان است. با وجود پیشرفت روش های تجربی تعیین ساختار، شکاف قابل توجهی میان تعداد توالی های پروتئینی شناسایی شده و ساختارهای تجربی موجود همچنان وجود دارد. در سال های اخیر، یادگیری عمیق به عنوان رویکردی نوین و قدرتمند تحولی بنیادین در پیش بینی ساختار و عملکرد پروتئین ها از داده های توالی ایجاد کرده است. این مطالعه با مرور و تحلیل سیستماتیک مدل های یادگیری عمیق شامل شبکه های کانولوشنی، بازگشتی، ترنسفورمرها و مدل های زبانی، پروتئینی نقش آن ها را در پیش بینی ساختار ثانویه، ساختار سه بعدی و عملکرد پروتئین ها بررسی می کند. نتایج نشان می دهد که مدل های عمیق، به ویژه AlphaFold و مدل های مبتنی بر Transformer دقتی نزدیک به روش های تجربی ارائه داده و توانسته اند پیش بینی عملکرد پروتئین را صرفا بر اساس توالی با موفقیت قابل توجهی انجام دهند. این یافته ها اهمیت یادگیری عمیق را به عنوان ابزاری کلیدی در زیست شناسی محاسباتی و کشف دارو برجسته می سازد.

کلیدواژه ها:

یادگیری عمیق ، عملکرد پروتئین ها ، داده های توالی