طراحی یک ساختار ترکیبی مبتنی بر یادگیری عمیق به منظور پیش‌بینی جایگاه‌های فسفریلاسیون

Abstract

فسفریلاسیون مهمترین نوع از تغییرات پس از ترجمه (PTM) است که نقش مهمی در مطالعات عملکرد پروتئین و طراحی تجربی دارد. با توجه به اهمیت فسفریلاسیون در پروتئین‌ها و افزایش روزافزون شمار توالی‌¬های پروتئین‌ها در پایگاه داده ها، نیاز به بهبود روش‌های محاسباتی پیش‌بینی جایگاه‌های فسفریلاسیون، از نظر سرعت و دقت روز به روز با اهمیت‌تر می¬شود. با اینکه تاکنون ابزارهای پیش‌بینی کننده بسیار زیادی برای پیش‌بینی مکان‌های فسفریلاسیون با استفاده از روش‌های مختلف یادگیری ماشین معرفی گردیده است اما هنوز هم تا ابزار بسیار کارآمد فاصله زیادی است و تلاش‌ها برای دستیابی به چنین ابزاری ادامه دارد. اخیراً، چندین مطالعه ادعا کرده‌اند که روش‎های مبتنی بر یادگیری عمیق بهترین راه برای پیش‌بینی مکان‌های فسفریلاسیون هستند زیرا یادگیری عمیق به عنوان یک روش یادگیری ماشینی پیشرفته می‌تواند به طور خودکار نمایش‌های پیچیده الگوهای فسفریلاسیون را از توالی‌های خام تشخیص دهد و بنابراین ابزاری قدرتمند برای بهبود پیش‎بینی جایگاه فسفریلاسیون ارائه می‌دهد. در این مطالعه، یک ساختار ترکیبی بر اساس روش یادگیری عمیق کانولوشنی با نام ConvoPhos به منظور پیش‌بینی مکان‌های فسفریلاسیون معرفی شده است به گونه‌ای که، بردار ویژگی CkSAApair بدست آمده از روی توالی‌ها، به‌عنوان ورودی بخشی از طبقه‌بند و تبدیل توالی‌ها به عکس، به‌عنوان ورودی‌ بخش دیگری از شبکه‌های کانولوشنی استفاده شده است. نتایج حاصل از اعتبارسنجی متقابل 10 برابری، مقدار صحت 94 درصدی را برای داده‌های phosphosite و AUC 90 درصدی را نشان می‌دهد، که در بین سایر روش‌های مقایسه شده بالاترین کارایی را دارد.