پیش بینی وضعیت متیلاسیون آرژنین با استفاده از روش های یادگیری عمیق

متیلاسیون آرژنین یکی از تغییرات پساترجمه ای داخل سلول است. با توجه به اهمیت نقش متیلاسیون آرژنین در بیان ژن، اینواکنش و آنزیم های تنظیم کننده آن در بسیاری از بیماری های انسانی همچون سرطان، نارسایی های قلبی و عروقی و اختلالاتتحلیلبرنده عصبی دخیل هستند. بدین سبب، شناسایی محل های متیلاسیون برای طراحی داروهای موثر در درمان این قبیلبیماری ها، از اهمیت به سزایی برخوردار است. یک مطالعه بر روی متیلاسیون پروتئین نشان داده است که آرژنین هایی کهحاوی چندین آمینواسید گلیسین در همسایگی خود هستند، احتمال بیشتری برای متیل شدن دارند. هدف اصلی این پژوهش ارائه مدلی مبتنی بر یادگیری عمیق و استفاده از این اصل بیولوژیکی برای بهبود عملکرد مدل پایه DeepRMethylSite است. برای این منظور در مدل پیشنهادی، با بهبود زیر مدلهای ارائه شده در مدل پایه، انجام برخی پیش پردازش ها و نیزیادگیری گروهی، محل های متیلاسیون آرژنین پیش بینی می شود. نتایج حاصل، بهبود معیارهای ارزیابی مانند حساسیت اختصاصی بودن، دقت و مساحت زیر نمودار را به ترتیب به میزان ۱۴%،۵%،۷%،۹% نسبت به مدل پایه نشان می دهد.

Keywords:

پروتئین , متیلاسیون آرژنین , یادگیری عمیق , یادگیری گروهی