یک مدل یادگیری عمیق برای شناسایی پروتئین های ضروری با استفاده از شبکه تعاملات پروتئین- پروتئین وزن دار

پروتئین‌های ضروری در رشد موجودات زنده و سلولها از اهمیت زیادی برخوردارند. از طرفی، شناسایی پروتئین‌های ضروری برای کشف اهداف دارویی و درک عملکرد پروتئین‌ها بکار می‌رود. آزما یشهای بیولوژیکی سنتی پرهزینه و زمانبر هستند. به همین دلیل محققان به کشف روشهای محاسباتی برای شناسایی پروتئین‌های ضروری روی آورده‌اند. با این حال، وجود داده های مخدوش در شبکه تعامالت پروتئین-پروتئین (PPI) سبب کاهش دقت در پیش‌بینی پروتئینهای ضروری شده است. ساخت یک شبکه PPI قابل اعتماد با بکارگیری سایر اطلاعات بیولوژیکی کاربردی، باعث کاهش اثر داده های مخدوش در شبکه PPI شده و عملکرد پیش‌بینی رابهبود می‌بخشد. در این مقاله، به بررسی یک مدل یادگیری عمیق پرداخته شده است که در آن از داده ها ی RNA-Seq، اطلاعات محلی سازی درون سلولی و اطلاعات ارتولوگ برای پیش‌بینی پروتئین‌های ضروری استفاده می‌شود. در این مدل یادگیری عمیق، ابتدا یک شبکه وزن‌دار با ادغام داده های بیولوژیکی ساخته می‌شود. سپس، با استفاده از تکنیک node۲vec ویژگی‌های توپولوژیکی پروتئین در شبکهPPI وزندار استخراج خواهند شد. درآخر، ویژگی‌های استخراج شده هر پروتئین برا ی تشخیص پروتئین‌های ضروری در بخش طبقه بندی بکار می‌روند. نتایج تجربی نشان می‌دهد که مدل بررسی شده از سایر روشهای محاسباتی بهتر عمل می‌کند.

Keywords:

پروتئین های ضروری , محلی سازی درون سلول , شبکه تعاملات پروتئین-پروتئین وزن دار , یادگیری عمیق , طبقه بندی.