عنوان فارسی مقاله:استفاده از روش انتخاب ویژگی‌های بقایای آمینو اسید برای بهبود پیش بینی نقاط اتصال پروتئین

چکیده

ارزیابی رابطه بین ساختار و کارکرد مولکول‌های پروتئینی، یکی از هدف‌های مهم جامعه بیوانفورماتیک، می‌باشد. در تحقیقات صورت گرفته، رویکرد‌های متعددی گزارش شده‌اند که این رویکردها داده‌های متعدد استخراج شده از پروتئین را به منظور پیش بینی نقش‌های پروتئین مد نظر قرارمی دهند. در پژوهش فعلی، این مطالعه بر پیش بینی محل‌های اتصال پروتئین که قادرند برای تفسیر عملکرد ساختارهای پروتئین بکارگرفته شوند تمرکز دارد. در این پژوهش، ما مجموعه‌ای از خصوصیات ۱۶ باقی مانده آمینو اسید را بررسی کرده و با به استفاده ازتکنیک های متعدد انتخاب ویژگی، اهمیت آن‌ها را می‌سنجیم. با وجود اینکه تعداد ویژگی‌های ارائه شده زیاد نمی‌باشند، با این وجود، ما انتخاب ویژگی را به منظور بهبود توان پیش بینی و پیچیدگی زمانی مدل‌های پیش بینی اجرا کردیم. بر اساس نتایج بدست آمده، با استفاده از رویکرد مناسب انتخاب ویژگی، عملکرد پیش بینی کننده الگوریتم‌های طبقه بندی بهتر می‌شود منظوراین است که ما مدل‌های دقیق‌تری را با بررسی مهم‌ترین و مرتبط‌ترین ویژگی‌ها به جای انتخاب مجموعه کل ویژگی‌ها، ایجاد می‌کنیم. علاوه براین، پیچیدگی مدل، در کنار زمان آموزش و آزمایش با انجام انتخاب ویژگی، تقلیل می‌یابد. همچینین، رویکرد ما با چندین رویکرد موجود برای پیش بینی محل‌های اتصال پروتئین مقایسه گردید. بر طبق یافته‌ها، رویکرد‌های فعلی ارائه شده در این پژوهش، رویکرد‌هایی اختصاصی می‌باشند و قابل تعمیم به گروهی از پروتئین‌هایی می‌باشند که مدلی برای آن‌ها، در گذشته ایجاد شده است، با وجود اینکه رویکرد ماکلی تر است و قابل استفاده در تعداد زیادی پروتئین‌ها می‌باشد.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Improvement of protein binding sites prediction by selecting amino acid residues’ features

Abstract

One of the main focuses of bioinformatics community is the study of the relationship between the structure of the protein molecules and their functions. In the literature, there are various methods that consider different protein-derived information for predicting protein functions. In our research, we focus on predicting the protein binding sites, which could be used to functionally annotate the protein structures. In this paper we consider a set of sixteen amino acid residues’ features, and by applying various feature selection techniques we estimate their significance. Although the number of features in our case is not high, we perform feature selection in order to improve the prediction power and time complexity of the prediction models. The results show that by applying proper feature selection technique, the predictive performance of the classification algorithms is improved, i.e., by considering the most relevant features we induce more accurate models than if we consider the entire set of features. Furthermore, the model complexity, as well as the training and testing times are decreased by performing feature selection. We also compare our approach with several existing methods for protein binding sites prediction. The results demonstrate that the existing methods considered in this research are specific and applicable to the group of proteins for which the model was developed, while our approach is more generic and can be applied to a wider class of proteins.