Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

پیش بینی پروتئینهای متصل شونده به لیپید بر اساس ماشین بردار پشتیبان با استفاده از خصوصیات مربوط به توالیها

چهارمین همایش بیوانفورماتیک ایران
سال انتشار: 1391
کد COI مقاله: IBIS04_026
زبان مقاله: فارسیمشاهده این مقاله: 446
نسخه کامل این مقاله ارائه نشده است و در دسترس نمی باشد

مشخصات نویسندگان مقاله پیش بینی پروتئینهای متصل شونده به لیپید بر اساس ماشین بردار پشتیبان با استفاده از خصوصیات مربوط به توالیها

محمد رضا بختیار زاده - گروه علوم دامی ،دانشگاه تهران، کرج، ایران: گروه زراعت و اصلاح نباتات، دانشگاه شیراز، شیراز، ایران
محمد مرادی شهر
بابک اسماعیل ابراهیمی

چکیده مقاله:

پیش بینی عملکرد پروتئینهای کاندید و جدید یکی از وظایف مهم و پیچیده بعد از دوره پس- ژنومی میباشد. با این حال شناسائی پروتئینهائی با شباهت کم و یا بدون شباهت با پروتئینها یا پپتیدهای با عملکرد شناخته شده یکی از مشکلات بسیار مهم میباشد. روشهای یادگیری ماشین، مانند بردار ماشین پشتیبان (SVM) از روشهای مفید برای پیش بینی چنین پروتئینهایی با توالیهای پروتئینی متنوع میباشد. پروتئینهای متصل شونده به لیپید (LBPs) نقشهایی حیاتی در سلولهای مختلف همانند علامت دهی، عبور و مرور غشائی، تنظیم، پاسخ ایمنی، متابولیسم لیپید و انتقال ایفا میکنند. با توجه به وجودتنوع در توالیهای پروتئینی بین LBPs، برای پیش بینی این پروتئینهای نیاز به روشهائی احساس میشود که بر پایه شباهت بین توالیهای نباشند. در این مطالعه از یک روش بر پایه SVM و استفاده از خصوصیات فیزیک وشیمیائی (مانند خصوصیات خودهمبستگی، ترکیب، انتقال و توزیع، درجه– توالی- کواسی و اسید آمینه کاذب) و ترکیب اسید آمینه های توالیهای پروتئینی به منظور پیش بینی و طبقه بندی LBPs استفاده گردید. مجموعه داده های مورداستفاده در این مطالعه برای آموزش و امتحان مدل از سایت UniProt استخراج گردید. نرم افزار LibSVM (یک نرم افزار برای پیاده سازیSVM ) به منظور طبقه بندی پروتئینهای LBPs استفاده گردید. مجموعه دادههای LBPs شامل 10603 توالی پروتئینی بود که متعلق به 9 گروه شامل تجزیه لیپید ،متابولیسم لیپید، تولید لیپید، انتقال لیپید، اتصال به لیپید، تولید لیپوپلیساکارید، لیپوپروتئین، لیپویل و همه پروتئینهای متصل شونده به لیپید میباشند ونقش مهمی در کنترل اعمال سلولی ایفا میکنند. مجموعه داده مربوط به پروتئینهای غیر مرتبط با non-LBPs) LBPs) حاوی 185628 توالی پروتئینی بود. در این تحقیق از روش طبقه بندی دوتائی برای همه گروهها استفاده گردید. هر کدام از گروههای LBPs شامل یک زیرمجموعه داده مثبت (گروه هایLBPs) و یک زیرمجموعه داده منفی (non-LBPs) بود. شباهت بین توالیهای پروتئینی در همه مجموعه داده ها کمتر از 90% تعیین گردید. پنج زیرمجموعه داده منفی به طور تصادفی از مجموعه دادههای non-LBPs برای بررسی هر گروه به منظور اجتناب از اریب ناشی از انتخاب زیر مجموعه داده-های منفی در نظر گرفته شد. نتایج پیش بینی ها با استفاده از آزمونهای تائید- متقاطع پنج تائی و مجموعه داده مستقل مورد ارزیابی قرار گرفت. این روشLBPs و non-LBPs را با صحت 89.28% بر اساس آزمون تائید- متقاطع پنج تائی طبقه بندی کرد. صحت پیش بینی محاسبه شده بر پایه آزمون تائید- متقاطع پنج تائی برای گروههای شامل تجزیه لیپید، متابولیسم لیپید، تولید لیپید، انتقال لیپید، اتصال به لیپید، تولید لیپوپلیساکارید، لیپوپروتئین و لیپویل به ترتیب برابر با 92.25، 8915.، 94.74، 88.84، 90.61، 93.26، 89.06 و 98.58% برآورد شد. با استفاده از آزمون مجموعه داده مستقل LBPs با صحت89.55% نسبت به non-LBPs شناسائی گردیدند. صحتهای برابر با 90.85، 09، 95.36، 91.06، 3.923، 93.15، 90.10 و 99.55% به ترتیب برای گرو ههای مذکور و بر اساس آزمون مجموعه داده مستقل بدست آمد. در این مطالعه، به علت استفاده از خصوصیات فیزیک و شیمیائی جدید و همچنین روش جدیدایجاد مجموعه دادهها، نتایج بهتری نسبت به مطالعات پیشین بدست آمد. یافته ها حاکی از مفید بودن خصوصیات فیزیکوشیمیائی مربوط به توالیها و ترکیب اسیدهای آمینه در پیشبینی LBPs در گروههای مختلف با استفاده از روش بر پایه SVM میباشد. در مجموع، مدل پیش بینی کننده LBPs که بر اساس روشSVM بدست آمد، بسیار مناسب بوده و میتواند به عنوان یک ابزار پیش بینی عملکرد پروتئین برای شناسائیLBPs نسبت بهnon-LBPs و همچنین یک روش تکمیل کننده برای روشهای هم ردیفی توالیها به کار گرفته شود.

کلیدواژه ها:

پروتئینهای متصل شونده به لیپید ، SVM ، پیش بینی

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا IBIS04_026 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/287581/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
بختیار زاده، محمد رضا و مرادی شهر، محمد و اسماعیل ابراهیمی، بابک،1391،پیش بینی پروتئینهای متصل شونده به لیپید بر اساس ماشین بردار پشتیبان با استفاده از خصوصیات مربوط به توالیها ،چهارمین همایش بیوانفورماتیک ایران،تهران،https://civilica.com/doc/287581

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1391، بختیار زاده، محمد رضا؛ محمد مرادی شهر و بابک اسماعیل ابراهیمی)
برای بار دوم به بعد: (1391، بختیار زاده؛ مرادی شهر و اسماعیل ابراهیمی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 21,002
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی