پیش بینی محاسباتی برهمکنش آپتامر-هدف مبتنی بر تکنیک های یادگیری عمیق
Abstract
Persian Abstract
مقدمه: آپتامرها توالی های اسید نوکلئیکی یا پپتیدی هستند که با توجه به ساختار سه بعدی ویژه‌ای که دارند می توانند به هدف بیولوژیکی خاص متصل شوند. آپتامرها به عنوان یک کلاس جدید و قدرتمند از لیگاند، از پتانسیل بسیار خوبی در زمینه های سنجش زیستی، تشخیصی و درمانی برخوردار هستند.
هدف: در این مطالعه ، یک روش جدید مبتنی بر یادگیری عمیق برای پیش بینی جفت های آپتامر-هدف ارائه شده است.
روش کار: آپتامرها با استفاده از دو استراتژی تکرار k-mer و revck-mer رمزگذاری شده اند. از روش PseAAC برای کد گذاری اطلاعات هدف های پروتیینی با استفاده از ۳۲ ویژگی فیزیکی، شیمیایی و کانونی پروتئین ها استفاده شد. جهت رفع مشکل عدم تعادل داده ها، از الگوریتم تصفیه همسایگی استفاده کرده ایم. پیش بینی کننده بر اساس شبکه ی عصبی عمیق ساخته شد و با استفاده از الگوریتم جنگل های تصادفی ویژگی های بهینه انتخاب شدند.
نتایج: در نتیجه ، دقت ۹۹.۷۹٪ برای مجموعه داده های آموزش بدست آمد، و دقت ۹۱.۳۸٪ برای مجموعه داده های آزمون بدست آمد. AptaNetعملکرد بالایی بر مجموعه داده های معیار آپتامر-پروتئین ساخته شده توسط ما را کسب کرد.
نتیجه گیری: روش ما به دلیل نتایج پیش بینی آن در مقایسه با سایر روشهای موجود، نشان داده است که برتر است.همچنین به عنوان نو آوری دیگر این مطالعه، مجموعه ای از ویژگی های بهینه انتخاب شدند، که به طور قابل توجهی در پیش بینی های تعامل جفت های آپتامر-هدف نقش داشته اند. تجزیه و تحلیل ویژگی های بهینه چندین عامل مهم در تعیین تعاملات آپتامر و هدف را نشان داد. انتظار می رود که روش پیش بینی ما به ابزاری مفید برای شناسایی جفت های آپتامر-هدف تبدیل شود. ویژگیهای بهینه ی تحلیل شده در این مطالعه می توانند بینش مفیدی در مکانیسم تعامل آپتامر-هدف فراهم کنند و دانشمندان آپتامر می توانند از این تکنیک محاسباتی برای توسعه آپتامرهای دقیق تر و حساس تر استفاده کنند.